سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

رفتن به صفحه اصلی

ارائه مجازی مقاله

کد مقاله CCES-1156

عنوان روش‌های تشخیص ناهنجاری کم‌انرژی و حفظ حریم خصوصی در اینترنت اشیای محدودمنبع مبتنی بر Edge و Federated Learning

نویسندگان فائزه خبیری - فاطمه خبیری - محمد امینی

چکیده با گسترش سریع اینترنت اشیا (IoT) در حوزه‌هایی نظیر شهرهای هوشمند، صنعت و سلامت، تشخیص ناهنجاری به‌عنوان یکی از مؤلفه‌های کلیدی برای تضمین امنیت، قابلیت اطمینان و پایداری این سامانه‌ها مطرح شده است. با این حال، محدودیت شدید منابع محاسباتی، انرژی و حافظه در بسیاری از گره‌های IoT، به‌همراه نگرانی‌های فزاینده درباره حفظ حریم خصوصی داده‌ها، کارایی روش‌های سنتی مبتنی بر پردازش متمرکز و انتقال داده‌های خام به ابر را به‌شدت کاهش داده است. این چالش‌ها ضرورت استفاده از رویکردهای غیرمتمرکز و سازگار با محیط‌های محدودمنبع را برجسته می‌سازد. در این زمینه، رایانش لبه با انتقال پردازش به نزدیکی منبع داده و یادگیری فدرال با حذف نیاز به اشتراک‌گذاری داده‌های خام، به‌عنوان راهکارهایی مؤثر برای کاهش تأخیر، مصرف انرژی و ریسک نقض حریم خصوصی معرفی شده‌اند. پژوهش‌های اخیر نشان می‌دهند که چارچوب‌های Edge-FL قادرند با آموزش محلی مدل‌ها و تجمیع پارامترها در سطح فدرال، تشخیص ناهنجاری بلادرنگ را حتی در محیط‌های ناهمگن و پویا فراهم کنند. این مقاله مروری نظام‌مند، با بررسی بیش از 20 مقاله معتبر، روش‌های تشخیص ناهنجاری مبتنی بر یادگیری فدرال در IoT از جمله الگوریتم‌های سبک‌وزن، یادگیری عمیق فدرال، جنگل ایزوله فدرال و خوشه‌بندی فدرال را طبقه‌بندی و تحلیل می‌کند. همچنین چالش‌های کلیدی نظیر ناهمگونی داده‌ها، سربار ارتباطی، امنیت مدل و توازن میان دقت و مصرف انرژی بررسی شده و مسیرهای پژوهشی آینده پیشنهاد می‌شود.

فایل ها

فایل ارایه مقالات پوستری

محتوای ارائه مجازی مقاله

نظرات