Fedstellar : Une plateforme pour l'apprentissage fédéré décentralisé

En 2016, Google a proposé l'apprentissage fédéré (FL) comme un nouveau paradigme pour entraîner des modèles d'apprentissage automatique (ML) parmi les participants d'une fédération tout en préservant la confidentialité des données. Depuis sa création, l'apprentissage fédéré centralisé (CFL) a été l'approche la plus utilisée, où une entité centrale agrège les modèles des participants pour créer un modèle global. Cependant, le CFL présente des limitations telles que des goulets d'étranglement de communication, un point de défaillance unique et une dépendance à un serveur central. L'apprentissage fédéré décentralisé (DFL) répond à ces problèmes en permettant une agrégation décentralisée des modèles et en minimisant la dépendance à une entité centrale. Malgré ces avancées, les plateformes actuelles qui entraînent des modèles DFL sont confrontées à des problèmes clés tels que la gestion des topologies de réseaux de fédération hétérogènes, l'adaptation du processus FL à des déploiements virtualisés ou physiques, et l'utilisation d'un nombre limité de métriques pour évaluer différents scénarios de fédération pour une mise en œuvre efficace. Pour surmonter ces défis, cet article présente Fedstellar, une nouvelle plateforme conçue pour entraîner des modèles FL de manière décentralisée, semi-décentralisée et centralisée au sein de diverses fédérations d'appareils physiques ou virtualisés. Fedstellar permet aux utilisateurs de créer des fédérations en personnalisant des paramètres tels que le nombre et le type d'appareils entraînant des modèles FL, la topologie du réseau qui les connecte, les algorithmes d'apprentissage automatique et d'apprentissage profond, ou les ensembles de données de chaque participant, entre autres. De plus, cela offre une surveillance en temps réel des performances des modèles et du réseau. L'implémentation de Fedstellar englobe une application web avec une interface graphique interactive, un contrôleur pour déployer des fédérations de nœuds utilisant des appareils physiques ou virtuels, et un noyau déployé sur chaque appareil, qui fournit la logique nécessaire pour entraîner, agréger et communiquer dans le réseau. L'efficacité de la plateforme a été démontrée dans deux scénarios : un déploiement physique impliquant des appareils à carte unique comme des Raspberry Pis pour détecter des cyberattaques et un déploiement virtualisé comparant diverses approches FL dans un environnement contrôlé utilisant les ensembles de données MNIST et CIFAR-10. Dans les deux scénarios, Fedstellar a démontré des performances cohérentes et une adaptabilité, atteignant des scores F1 de 91 %, 98 % et 91,2 % en utilisant DFL pour détecter des cyberattaques et classer MNIST et CIFAR-10, respectivement, réduisant le temps d'entraînement de 32 % par rapport aux approches centralisées.