Aprendizaje Federado para Internet de las Cosas

El aprendizaje federado puede ser una solución prometedora para habilitar la ciberseguridad en IoT (es decir, detección de anomalías en el entorno IoT) mientras se preserva la privacidad de los datos y se mitiga la alta sobrecarga de comunicación/almacenamiento (por ejemplo, datos de alta frecuencia de sensores de series temporales) de los enfoques centralizados en la nube. En este artículo, para avanzar en esta dirección con un estudio exhaustivo tanto en diseño de algoritmos como en diseño de sistemas, construimos la plataforma FedIoT que contiene el algoritmo FedDetect para la detección de datos anómalos en el dispositivo y un diseño de sistema para la evaluación realista del aprendizaje federado en dispositivos IoT. Además, el marco de aprendizaje FedDetect propuesto mejora el rendimiento utilizando un optimizador adaptativo local (por ejemplo, Adam) y un programador de tasas de aprendizaje entre rondas. En una red de dispositivos IoT realistas (Raspberry PI), evaluamos la plataforma FedIoT y el algoritmo FedDetect tanto en rendimiento de modelos como de sistemas. Nuestros resultados demuestran la eficacia del aprendizaje federado en la detección de una gama más amplia de tipos de ataques ocurridos en múltiples dispositivos. El análisis de eficiencia del sistema indica que tanto el tiempo de entrenamiento de extremo a extremo como el costo de memoria son asequibles y prometedores para dispositivos IoT con recursos limitados. El código fuente está disponible públicamente en https://github.com/FedML-AI/FedIoT.