10、高效物联网异常检测与联邦学习框架

高效物联网异常检测与联邦学习框架

在当今科技飞速发展的时代，物联网（IoT）技术和联邦学习（FL）成为了研究的热点。物联网产生了大量的时间序列数据，对这些数据进行异常检测至关重要；而联邦学习则为解决数据隐私和分布式训练问题提供了有效的途径。本文将介绍两种相关的技术方案，一种是基于聚类的半异步联邦学习框架（CSA FedVeh），另一种是基于多任务联邦学习的异常检测方法（MTAD - FL）。

1. 聚类半异步联邦学习框架（CSA FedVeh）

1.1 半异步机制

当STW - DBSCAN算法的聚类策略C确定后，问题P1被重新定义为求解单变量q的问题：
(P2) : min
q
K
∑
k = 1
Tk
s.t. C1, C2, C3, C5.
采用半异步聚合机制来加速全局模型的训练速度。每次全局聚合选择按顺序到达的q个聚类模型权重参数进行聚合。

1.2 性能评估

• 基准框架
  • FedAF ：一种同步联邦学习框架，是FedAvg的变体，每一轮所有车辆单元（VUs）都参与全局更新。
  • FedASY ：异步联邦学习框架，边缘服务器（ES）在收到任何VUs的本地模型权重参数后立即进行全局更新。
  • SAFA ：半异步联邦学习框架，在实验中去除了客户端选择，设置为VUs总数的一半，模拟无聚类情况下的半异步聚合框架。 </