Resumen

Los dispositivos ampliamente desplegados en el Internet de las cosas (IoT) han abierto una gran cantidad de datos de IoT. Recientemente, el aprendizaje federado ha surgido como una solución prometedora que tiene como objetivo proteger la privacidad del usuario en los dispositivos de IoT mediante el entrenamiento de un modelo compartido a nivel global. Sin embargo, los dispositivos en los entornos complejos de IoT plantean un gran desafío para el aprendizaje federado, que es vulnerable a los ataques de reconstrucción basados en gradientes. En este documento, discutimos las relaciones entre la seguridad del modelo de aprendizaje federado y las tecnologías de optimización para reducir la sobrecarga de comunicación de manera integral. Para promover la eficiencia y la seguridad, proponemos una estrategia de defensa de aprendizaje federado que sea adecuada para dispositivos de IoT con recursos limitados. La estrategia de comunicación adaptativa consiste en ajustar la frecuencia y la compresión de parámetros mediante el análisis de la pérdida de entrenamiento para garantizar la seguridad del

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Dispositivos; Datos IoT; Aprendizaje federado; Privacidad del usuario; Seguridad; Sobrecarga de comunicación
• Keywords:Devices; IoT data; Federated learning; User privacy; Security; Communication overhead