L'apprentissage fédéré sans fil (FL) est devenu une méthode prometteuse de réalisation d'apprentissage machine distribué, permettant aux dispositifs en périphérie de coopérer pour entraîner des modèles sans partager de données brutes. Cela préserve la confidentialité et réduit la surcharge de communication. Cependant, l'exécution de FL sur des réseaux sans fil le rend beaucoup plus vulnérable, en particulier aux attaques de brouillage coordonnées et aux attaques de contamination. Les attaques de brouillage empêchent la communication entre les dispositifs en périphérie et le serveur central, tandis que les attaques de contamination ajoutent de mauvaises mises à jour pour rendre le modèle global moins précis. Cette étude présente un cadre de défense cohérent qui amalgame un algorithme d'agrégation basé sur les contributions, influencé par les valeurs de Shapley, avec un système de contrôle de puissance distribué basé sur la théorie des jeux bayésiens. Le système proposé rend le système plus résistant aux comportements indésirables tout en restant économe en énergie et fiable pour la communication. Par rapport aux méthodes FL traditionnelles, les résultats de simulation montrent que le modèle global est plus précis, qu'il y a moins d'échecs de communication et que les ressources sont utilisées plus efficacement.
Dr.K.Rekhadevi et al. (Thu,) ont étudié cette question.