사물인터넷(IoT)이 지속적으로 확장됨에 따라 사용자 데이터 개인 정보 보호와 IoT 시스템의 보안이 점점 더 중요해지고 있습니다. 본 논문은 연합 학습(FL)과 고급 암호화 기법을 통합하여 개인 정보 보호 문제를 해결하면서 이질적인 IoT 장치 간의 협력적 기계 학습을 가능하게 하는 안전한 프레임워크를 제안합니다. 제안된 프레임워크는 IoT 장치에서 로컬 데이터 처리를 허용하여 민감한 정보가 분산된 상태로 유지되고 모델 훈련 중에 잠재적인 침해에 노출되지 않도록 보장합니다. 가산 동형 암호화(AHE) 및 안전한 다자 계산(SMPC)과 같은 기법을 사용하여, 우리의 접근 방식은 데이터 기밀성과 무결성을 유지하면서 모델 업데이트의 안전한 집계를 가능하게 합니다. 더욱이, 이 프레임워크는 통신 오버헤드와 계산 요구를 효과적으로 최소화하여 자원이 제한된 IoT 환경에 적합하게 만듭니다. 이 연구는 개인 정보 보호와 데이터 보안을 강화할 뿐만 아니라 스마트 시티, 헬스케어 및 산업 응용 프로그램에서 데이터 분석의 효율성을 향상시킵니다. 향후 작업은 이 프레임워크의 확장성과 적응성을 실제 시나리오에서 조사하여 보다 안전하고 개인 정보 중심의 IoT 생태계를 위한 길을 열 것입니다.
K 외 연구팀(수요일)은 이 문제를 연구했습니다.