Resumen

El aprendizaje federado (FL) es un subdominio emergente del aprendizaje automático (ML) en una configuración distribuida y heterogénea. Proporciona una arquitectura de formación eficiente, datos suficientes y una comunicación que preserva la privacidad para aumentar el rendimiento y la viabilidad de los algoritmos de ML. En este entorno, el modelo global resultante producido por el promedio de varios modelos de clientes entrenados es vital. Durante cada ronda de FL, los parámetros del modelo se transfieren desde cada dispositivo cliente al servidor, mientras que el servidor espera todos los modelos antes de poder promediarlos. En un escenario realista, esperar a que todos los clientes comuniquen los parámetros de sus modelos, cuando los modelos de los clientes se entrenan en dispositivos de baja potencia del Internet de las Cosas (IoT), puede dar lugar a un punto muerto. En este trabajo se propone un nuevo algoritmo de promediación temporal de modelos para el aprendizaje federado asíncrono (AFL). Nuestro enfoque utiliza una función de expectativa dinámica que calcula el número de modelos de clientes esperados en cada ronda y un algoritmo de promedio ponderado para la modificación continua del modelo global. Esto garantiza que la arquitectura federada no se quede en un punto muerto, al tiempo que aumenta el rendimiento del servidor y los clientes. Para demostrar la importancia de la asincronía en la ciberseguridad, el algoritmo propuesto se pone a prueba utilizando conjuntos de datos del sistema de detección de intrusos NSL-KDD. La precisión del rendimiento del modelo global es de alrededor del 99,5% en el conjunto de datos, superando a los modelos tradicionales de FL en la detección de anomalías. En cuanto a la asincronía, se obtiene un aumento del rendimiento de casi 10,17 o cada 30 pasos de tiempo.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:parámetros del modelo, modelo global, modelo de cliente, arquitectura de entrenamiento eficiente, modelo global resultante, modelo de cliente entrenado, términos de asincronía, función de expectativas dinámicas, internet de las cosas, servidor
• Keywords:model parameters, global model, client model, efficient training architecture, resultant global model, trained client model, terms of asynchronicity, dynamic expectations function, internet of things, server