이종 사물인터넷을 위한 CTC 기반 연합 학습

연합 학습(FL)은 데이터 프라이버시와 전송을 저해하지 않고 현장 데이터 수집 및 처리를 가능하게 하는 기계 학습 기법입니다. 이질성은 연합 설정에서 핵심적인 도전 과제입니다. 최근, 이종 사물인터넷(IoT) 이질성을 위한 해결책으로 교차 기술 통신(CTC)이 등장하여 하드웨어 수정이나 게이트웨이 개입 없이 다양한 무선 장치 간의 직접적인 통신을 가능하게 하고 있습니다. 예를 들어, 정교한 WiFi 장치는 LoRa, ZigBee, 블루투스, LTE와 같은 다른 이질적인 장치들의 중앙 조정자로 역할을 할 수 있어 더욱 효율적이고 보편적인 네트워크 간 정보 교환이 이루어질 수 있습니다. 그러나 이질적인 무선 기술은 서로 다른 데이터 전송 속도와 컴퓨팅 자원을 나타내기 때문에 다차원 데이터의 대량, 통신 지연, 전송 지연, 한정된 처리 용량, 데이터 프라이버시 문제 등으로 인해 예측의 높은 정확성을 달성하기 어렵습니다. 본 연구에서는 이종 IoT 응용을 위한 CTC 기반 FL 프레임워크인 FLCTC를 제안합니다. FLCTC의 사용 가능성을 보여주기 위해 FLCTC와 특정 솔루션인 산불 예측을 구현하였습니다. FLCTC는 장기 및 단기 기억을 기반으로 하는 연합 심층 학습으로 구체적으로 구현되었으며 이종 IoT 네트워크의 데이터 특성 문제를 해결하는 산불 예측에 사용되었습니다. FLCTC는 통신 효율성과 예측 정확성을 개선할 것으로 기대됩니다. 플랫폼 기반 평가 결과, FLCTC는 96%의 재현율과 88%의 정확도를 보이며 이종 IoT 응용을 위한 CTC와 함께 FL 사용에 대한 귀중한 통찰력을 제공합니다.