Key points are not available for this paper at this time.
Alors que les appareils de l'Internet des Objets sont de plus en plus adoptés dans tous les domaines, tels que les maisons intelligentes, les soins de santé et le transport, d'énormes quantités de données sont rassemblées, partagées et traitées. Ce fait soulève de nombreux défis sur la manière de tirer le meilleur parti de cette quantité de données pour améliorer la sécurité des systèmes IoT en utilisant l'intelligence artificielle, tout en tenant compte des limitations de ressources des appareils IoT et des problèmes liés à la confidentialité des données. Différentes techniques ont été étudiées et développées au fil des années. Par exemple, l'Apprentissage Fédéré (AF), qui est une technique d'apprentissage émergente connue pour préserver et respecter la confidentialité des données des clients collaborateurs pendant l'entraînement du modèle. Par conséquent, dans cet article, les concepts d'AF et d'Apprentissage Fédéré Hiérarchique (AFH) sont évalués et comparés en termes de précision de détection et de vitesse de convergence, à travers la simulation d'un Système de Détection d'Intrusion pour les applications de l'Internet des Objets. Le jeu de données déséquilibré NSL-KDD a été utilisé dans ce travail. Malgré ses coûts d'infrastructure, l'AFH a prouvé sa supériorité par rapport à l'AF en termes de perte d'entraînement, de précision de test et de vitesse de convergence dans trois cas d'étude. L'AFH a également montré son efficacité par rapport à l'AF pour réduire l'effet des données non identiquement et indépendamment distribuées (non-iid) sur le processus d'apprentissage collaboratif.
Saadat et al. (Mon,) ont étudié cette question.