Resumen

La clasificación del tráfico de Internet (TC) es una técnica crítica en la gestión de redes y se aplica ampliamente en diversas aplicaciones. En los problemas tradicionales de TC, los dispositivos periféricos necesitan enviar los datos de tráfico sin procesar al servidor para su procesamiento centralizado, lo que no solo genera una gran cantidad de sobrecarga de comunicación, sino que también conduce a la filtración de privacidad y problemas de seguridad de la información. El aprendizaje federado (FL) es un nuevo paradigma de aprendizaje automático distribuido que permite a múltiples clientes entrenar un modelo global de forma colaborativa sin compartir datos de tráfico sin procesar. El TC en un marco de FL preserva la privacidad del usuario y la seguridad de los datos al mantener los datos de tráfico sin procesar de forma local. Sin embargo, debido a los diferentes comportamientos y preferencias de los usuarios, surge la heterogeneidad de los datos de tráfico. Las soluciones de FL existentes introducen sesgos en el entrenamiento del modelo al promediar los parámetros del modelo local de todos los clientes heterogéneos,

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Clasificación del tráfico de internet; Aprendizaje federado; Dispositivos periféricos; Datos de tráfico sin procesar; Filtración de privacidad; Seguridad de la información
• Keywords:Internet traffic classification; Federated learning; Edge devices; Raw traffic data; Privacy leakage; Information security