Améliorer la confidentialité et l'efficacité dans l'IoT grâce à l'apprentissage fédéré

L'apprentissage fédéré (FL) est apparu comme une solution prometteuse pour former des modèles d'apprentissage automatique à travers des dispositifs distribués tout en préservant la confidentialité des données. Dans le contexte de l'Internet des objets (IoT), le FL permet à de nombreux appareils intelligents d'apprendre ensemble un modèle commun sans partager leurs données brutes, améliorant ainsi la confidentialité et la sécurité. Cet article présente un examen approfondi et systématique de l'état actuel du FL dans les environnements IoT. Nous explorons les concepts fondamentaux, examinons les avancées récentes et analysons les systèmes existants. De plus, nous proposons un nouveau système qui intègre l'Averaging Fédéré Adaptatif (Adaptive-FedAvg), l'Apprentissage Fédéré Hiérarchique et l'Agrégation de Modèle Sécurisée Améliorée pour relever les défis de l'hétérogénéité des données, de l'efficacité de la communication et de la sécurité dans les réseaux IoT. L'analyse numérique comparative démontre que notre système proposé atteint une meilleure précision du modèle, une convergence plus rapide, une réduction de la surcharge de communication et une protection de la confidentialité améliorée par rapport aux systèmes FL traditionnels.