Micro-FL: 연합 학습을 위한 내결함성이며 확장 가능한 마이크로서비스 기반 플랫폼

기계 학습 애플리케이션의 수가 증가함에 따라 데이터 프라이버시에 대한 우려가 커지면서 중앙 집중식 데이터 수집 및 처리를 기반으로 하는 전통적인 클라우드 기반 기계 학습 방법의 한계가 드러납니다. 연합 학습은 데이터 프라이버스를 보호하면서 기계 학습 모델을 교육하는 새로운 접근 방식을 제공하는 유망한 대안으로 부각되었습니다. 연합 학습은 다양한 주체 간의 협력적 모델 훈련을 촉진합니다. 이 접근 방식에서는 각 사용자가 모델을 로컬에서 훈련하고 중앙 서버와 로컬 모델 매개변수만 공유하며, 이후 중앙 서버는 이러한 개별 업데이트를 기반으로 글로벌 모델을 생성합니다. 이 접근 방식은 훈련 데이터 자체가 중앙 주체와 직접 공유되지 않기 때문에 데이터 프라이버스를 보장합니다. 그러나 기존 연합 기계 학습 프레임워크는 도전 과제가 없는 것은 아닙니다. 서버 설계 측면에서 이러한 프레임워크는 클라이언트 수가 증가함에 따라 제한된 확장성을 보이며, 특히 중앙 서버가 단일 실패 지점으로 발전함에 따라 시스템 결함에 매우 취약합니다. 본 논문은 연합 학습 시스템을 구현하기 위해 마이크로서비스 아키텍처를 사용하는 연합 학습 프레임워크인 Micro-FL을 소개합니다. 이 프레임워크는 내결함성이며 확장 가능한 능력을 보여주며 클라이언트 수가 증가하는 상황에서도 이를 처리할 수 있음을 입증합니다. 종합 성능 평가 결과 Micro-FL이 구성 요소 결함을 효과적으로 처리하여 원활하고 중단 없는 운영을 가능하게 한다는 것이 확인되었습니다.