فيدستيلا: منصة لتعلم الاتحادات اللامركزية

في عام 2016، اقترحت جوجل التعلم الاتحادي (FL) كنموذج جديد لتدريب نماذج التعلم الآلي (ML) عبر المشاركين في اتحاد مع الحفاظ على خصوصية البيانات. منذ نشأته، كان التعلم الاتحادي المركزي (CFL) هو النهج الأكثر استخدامًا، حيث تقوم جهة مركزية بتجميع نماذج المشاركين لإنشاء نموذج عالمي. ومع ذلك، يُظهر CFL قيودًا مثل اختناقات الاتصال، نقطة فشل واحدة، والاعتماد على خادم مركزي. يعالج التعلم الاتحادي اللامركزي (DFL) هذه القضايا من خلال تمكين تجميع النماذج بشكل لامركزي وتقليل الاعتماد على جهة مركزية. بالرغم من هذه التطورات، تعاني المنصات الحالية التي تدرب نماذج DFL من مشكلات رئيسية مثل إدارة طوبولوجيات شبكة الاتحاد غير المتجانسة، تكييف عملية FL للنشر الافتراضي أو الفيزيائي، واستخدام عدد محدود من المقاييس لتقييم سيناريوهات الاتحاد المختلفة لتنفيذ فعّال. لتجاوز هذه التحديات، تقدم هذه الورقة فيدستيلا، منصة جديدة مصممة لتدريب نماذج FL بطريقة لامركزية، شبه لامركزية، ومركزية عبر اتحادات متنوعة من الأجهزة الفيزيائية أو الافتراضية. تتيح فيدستيلا للمستخدمين إنشاء اتحادات من خلال تخصيص معايير مثل عدد ونوع الأجهزة التي تدرب نماذج FL، طوبولوجيا الشبكة التي تربطها، خوارزميات التعلم الآلي والعميق، أو مجموعات بيانات كل مشارك، من بين أمور أخرى. بالإضافة إلى ذلك، توفر مراقبة في الوقت الفعلي لأداء النموذج والشبكة. تشمل بنية فيدستيلا تطبيق ويب بواجهة رسومية تفاعلية، وحدة تحكم لنشر اتحادات من العقد باستخدام الأجهزة الفيزيائية أو الافتراضية، ونواة موضوعة على كل جهاز، توفر المنطق اللازم للتدريب، والتجميع، والتواصل في الشبكة. تم إثبات فعالية المنصة في سيناريوهين: نشر فيزيائي يتضمن أجهزة ذات لوحة واحدة مثل Raspberry Pis لاكتشاف الهجمات السيبرانية، ونشر افتراضي يقارن مختلف طرق FL في بيئة محكومة باستخدام مجموعات بيانات MNIST وCIFAR-10. في كلا السيناريوهين، أظهرت فيدستيلا أداءً ثابتًا وقابلية للتكيف، محققةً درجات F1 بنسبة 91٪، 98٪، و91.2٪ باستخدام DFL لاكتشاف الهجمات السيبرانية وتصنيف MNIST وCIFAR-10 على التوالي، مع تقليل وقت التدريب بنسبة 32٪ مقارنةً بالمناهج المركزية.