Privacidade do Usuário em Aprendizado Colaborativo: Federated Learning, da Teoria à Prática

Neto, Hélio Cavalcanti Albuquerque; Mattos, Diogo M. F.; Fernandes, Natália Coelho Couto de Azevedo

doi:10.5753/sbc.8285.6.3

Cited by 7 publications

(11 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O algoritmo básico do aprendizado federado resume-se às seguintes etapas [Cunha Neto et al, 2020 A média federada (Federated averaging) é um método de agregac ¸ão comumente usado para a atualizac ¸ão de modelo recebidos de vários clientes participantes [Cunha Neto et al, 2020] O método é bastante usado em modelos de aprendizado baseados em redes neurais, pois o treinamento do modelo pode ser expresso por vetores de pesos que representam cada camada da rede neural treinada. A ideia básica da média federada é calcular uma média ponderada das atualizac ¸ões do modelo local recebidas de cada cliente para criar um novo modelo global.…”

Section: Aprendizado Federado Em Dispositivos Iotunclassified

“…Com esse crescimento de dados na borda da rede, o volume de dados enviados para os servidores remotos pode ser inviável devido aos recursos de rede necessários e à latência existente. O uso de servidores de terceiros para treinamento de modelos de aprendizado de máquina também levanta questões de privacidade, como violac ¸ões e vazamento de informac ¸ões, pois os dados de treinamento podem conter informac ¸ões confidenciais, como enderec ¸os ou preferências pessoais de usuários [Cunha Neto et al, 2020]. Portanto, torna-se necessário o desenvolvimento de modelos de aprendizado de máquina que sejam colaborativos e eficientes, de modo a garantir a privacidade durante o treinamento de aplicac ¸ões orientadas à Internet das Coisas.…”

Section: Introduc ¸ãOunclassified

See 1 more Smart Citation

Análise Prática da Técnica de Aprendizado Federado Aplicada a Dispositivos da Internet das Coisas

Barbosa¹,

Mattos²

2023

Anais Do XXII Workshop Em Desempenho De Sistemas Computacionais E De Comunicação (WPerformance 2023)

View full text Add to dashboard Cite

O número de dispositivos da (Internet of Things - IoT) cresceu exponencialmente nos últimos anos, resultando em uma grande massa de dados útil para aplicações de aprendizado de máquina. Tradicionalmente, os modelos de aprendizado de máquina exigem coleta e processamento de dados centralizados, o que não é viável no cenário IoT, devido à alta densidade e às crescentes preocupações com a privacidade dos dados. O Aprendizado Federado é uma tendência nesse cenário, pois permite o treinamento colaborativo de modelos em dispositivos IoT, distribuído e sem a necessidade de compartilhamento de dados. Este artigo propõe e avalia o desempenho de um arcabouço de aprendizado federado para dispositivos IoT. O arcabouço proposto e avaliado emprega uma topologia de servidor de parâmetros. A análise de desempenho é executada sobre uma rede de testes composta por dispositivos IoT equipados com processadores ARM e limitados a 2GB de RAM. Os experimentos foram executados sobre um conjunto de dados não identicamente distribuído e com dados dependentes (non-IID). Os resultados mostram que o modelo global federado alcança acurácia 0.6, com quatro clientes e 10 rodadas de agregação, independentemente das épocas de treinamento locais.

show abstract

Section: Aprendizado Federado Em Dispositivos Iotunclassified

Section: Introduc ¸ãOunclassified

Análise Prática da Técnica de Aprendizado Federado Aplicada a Dispositivos da Internet das Coisas

Barbosa¹,

Mattos²

2023

Anais Do XXII Workshop Em Desempenho De Sistemas Computacionais E De Comunicação (WPerformance 2023)

View full text Add to dashboard Cite

show abstract

“…Em [Neto et al 2020] é ilustrado o processo de treinamento que é adotado no FL. Conforme apresentado na Figura 1, no primeiro passo, o servidor envia o modelo inicial ao participantes do treinamento federado.…”

Section: Aprendizado Federadounclassified

Abordagem baseada em Aprendizado Federado para a Detecção de Intrusão em Redes de Computadores

Damaceno,

C. Ribeiro,

Oliveira-Jr

et al. 2023

Anais Da XI Escola Regional De Informática De Goiás (ERI-GO 2023)

View full text Add to dashboard Cite

A rápida expansão das redes digitais e o crescente número de incidentes de segurança computacional tornam evidente a necessidade de métodos para a prevenção e detecção de atividades maliciosas. As abordagens tradicionais para detecção de intrusão em redes frequentemente enfrentam limitações em escalabilidade, privacidade e adaptabilidade. Este artigo explora o Aprendizado Federado (FL) como uma solução para lidar com esses desafios. Ao descentralizar o processo de treinamento e preservar a privacidade dos dados na fonte, o FL capacita os administradores de rede a construir colaborativamente modelos robustos de detecção de anomalias sem o compartilhamento de informações sensíveis.

show abstract

“…Posteriormente, todos os parâmetros dos modelos locais selecionados são agregados para gerar um modelo global, denominado w t G . Os modelos locais são atualizados internamente por τ atualizac ¸ões locais, antes do envio dos parâmetros dos modelos locais para o servidor realizar a agregac ¸ão global [Cunha Neto et al, 2020].…”

Section: Fundamentos De Aprendizado Federadounclassified

FedSBS: Seleção de Participantes Baseado em Pontuação para Aprendizado Federado no Cenário de Detecção de Intrusão

Cunha Neto,

Fernandes,

Mattos

2023

Anais Do XXIII Simpósio Brasileiro De Segurança Da Informação E De Sistemas Computacionais (SBSeg 2023)

View full text Add to dashboard Cite

Sistemas de Detecção de Intrusão baseados em Aprendizado Federado apresentam desafios para a segurança cibernética, incluindo a gestão de dados desbalanceados e interferência de participantes maliciosos. O Aprendizado Federado é uma abordagem colaborativa de aprendizado de máquina e permite que participantes treinem modelos com seus dados locais, preservando a privacidade. Os modelos locais são agregados em um modelo global. Contudo, participantes maliciosos podem comprometer o modelo global com dados aleatórios ou enviesados. Este artigo propõe o método FedSBS para a seleção de participantes. O FedSBS visa pontuar a contribuição de cada participante e, então, proceder com a seleção de participantes. O método busca minimizar os riscos representados por participantes maliciosas concomitantemente com a otimização do desempenho do modelo global. A proposta demonstra desempenho superior quando comparada a outros métodos de seleção de participantes, atingindo 80% da métrica F1, 90% de acurácia e 69% de precisão no conjunto de testes com presença de participantes maliciosos. FedSBS mantém o desempenho do modelo global mesmo no cenário com 60% de participantes maliciosos.

show abstract

Privacidade do Usuário em Aprendizado Colaborativo: Federated Learning, da Teoria à Prática

Cited by 7 publications

References 0 publications

Análise Prática da Técnica de Aprendizado Federado Aplicada a Dispositivos da Internet das Coisas

Análise Prática da Técnica de Aprendizado Federado Aplicada a Dispositivos da Internet das Coisas

Abordagem baseada em Aprendizado Federado para a Detecção de Intrusão em Redes de Computadores

FedSBS: Seleção de Participantes Baseado em Pontuação para Aprendizado Federado no Cenário de Detecção de Intrusão

Contact Info

Product

Resources

About