正/雾/2022Privacy-Preserving Federated Deep Learning for Cooperative Hierarchical Caching in Fog Compu

最新推荐文章于 2024-09-17 16:52:57 发布
最新推荐文章于 2024-09-17 16:52:57 发布
阅读量83 收藏
点赞数
分类专栏： 文献阅读 文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43808604/article/details/129145538
版权
文章探讨了基于预测内容流行度的缓存策略，用户设备将流行内容列表上传至F-AP，F-AP通过缓存前n个热门内容并进行垂直和水平的协作，优化边缘节点存储，提高缓存命中率。同时，通过BBU和MBS的连接实现数据索引和查找，当本地及相邻F-AP无法找到内容时，才会查询云端。
摘要由CSDN通过智能技术生成

要点

  1. 分等级的缓存，也是在考虑缓存命中率的基础上改进边缘节点的存储方式
  2. 隐私保护

模型

在这里插入图片描述
雾节点群通过前向链路连接BBU，MBS通过可靠的回程链路连接BBU
本地训练模型–用户将本地模型和内容流行度列表上传至当前的fap–fap聚合所上传的列表的内容–fap缓存前n个流行的内容–将内容的列表/索引放置到mbs–将不感兴趣的内容放置到bbu
bbu–fap是垂直的缓存协作
fap–fap是水平的缓存协作
请求模式：

  1. 用户设备从当前所连接的fap来查找数据
  2. 用户从相邻的fap中查找缓存数据，查找时对mbs进行索引即可找到相邻的fap是否存储
  3. 用户设备-fap-bbu传回
  4. fap-cloud所有都查找不到的时候就去查找cloud

疑点

同样将当前用户的流行度列表上传至当前的fap（Based on the predicted content popularity, each user uploads a list of popular contents to the local F-AP.）

勤奋的山芋
关注
专栏目录
论文《Privacy-Preserving Federated Deep Learning with Irregular Users》实验部分
WANG_FENG_的博客
08-09 1024
5.1 Functionality 5.2 Accuracy 5.2.1 Effect of iteration times with different proportions of irregular data 我们首先讨论了加密方法中迭代次数的影响。如第3.3节和第4.3节所述，我们知道在PPFDLbscand PPFDLimd的初始化过程中，xm的值∗在第一次迭代中使用的每个梯度m都需要初始化。Works[25]给出了每个梯度xm∗可以初始化为第m个梯度上所有用户总和的平均值。然而，由..
【阅读笔记】Towards Efficient and Privacy-preserving Federated Deep Learning
HERODING23的博客
02-13 3354
Towards Efficient and Privacy-preserving Federated Deep Learning前言一、论文解析Abstract1. INTRODUCTION2. SYSTEM MODEL AND THREAT MODEL2.1 System Model2.2 Threat Model3. PRELIMINARIES3.1 Neural Network and Federated Deep Learning3.2 Additively Homomorphic Encrypt
1.Paper小结——《Privacy-Preserving Federated Learning in Fog Computing》
m0_57126939的博客
09-19 2657
Abstract 联邦学习可以结合大量分散的用户组，协同训练模型的数据集，而无需上传数据集，从而避免服务器收集用户敏感数据。然而，联邦学习模型会暴露用户的训练集信息，在多个用户的场景中，用户拥有的数据量不均匀，会导致训练效率低下。本文提出了一种在雾计算中保护隐私的联邦学习方案。作为参与者，每个雾节点能够收集物联网（物联网）设备数据，并完成我们方案中的学习任务。这种设计有效地改善了数据分布不均匀和计算能力差距大导致的训练效率低和模型精度的问题。我们使物联网设备数据能够满足ε-差分隐私，以抵抗...
A Verifiable and Privacy-Preserving Federated Learning Training Framework 笔记-2024年5月7日
qq_35151686的博客
05-07 592
我们的贡献的亮点如下：首先，我们是最早研究神经网络训练验证问题的，在联邦学习的一般设置中。最后，我们的框架不依赖于特定的神经网络结构，因此具有广泛的适用性。尽管已有方法被提出用以检查模型更新的有效范围或确保全局模型的收敛，但这些方法不能保证本地训练的正确性，因此无法阻止懒惰的客户端上传没有经过实际训练努力的虚假更新。另一方面，我们观察到在反向传播公式中，神经网络的大部分张量/矩阵操作是重复出现的，因此可以转换为自定义门，如果反向传播被写成电路，可以利用哈达玛积、矩阵重塑、矩阵重索引等优化的交互式证明协议。
论文阅读：HybridAlpha: An Efficient Approach for Privacy-Preserving Federated Learning
三金samkam的博客
01-30 1386
论文名字 HybridAlpha: An Efficient Approach for Privacy-Preserving Federated Learning 来源 会议 the 12th ACM Workshop 年份 2019.11.11 作者 Xu, Runhua，Baracaldo, Nathalie，Zhou, Yi，Anwar, Ali，...
最新论文笔记(+21)：Privacy-Preserving Byzantine-Robust Federated Learning via Blockchain Systems/ TIFS2022
cryptocxf的博客
10-11 7934
Privacy-Preserving Byzantine-Robust Federated Learning via Blockchain Systems 可译为“利用区块链实现隐私保护的拜占庭鲁棒性联邦学习”这篇是今年八月份被TIFS2022（CCF A）收录的文章，写的利用全同态加密和区块链技术解决联邦学习中隐私问题和可信问题（虽然区块链仅仅只是存储的作用，也稍微提了一下）。精读完这篇文章，整体感觉还不错，毕竟是CCF A类期刊。下面是自己读后感，根据自己的语言来做了一些笔记，也相当于回顾。
论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning
WINCJS的博客
07-03 1800
论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning NDSS 2021录用文章 目录论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning一、机器学习1. 机器学习(ML)中的挑战2. 隐私保护机器学习(PPML)二、POSEIDON方案1. 系统和威胁模型2. 方案总览多方同态加密(MHE)联邦学习主要挑战和解决方法3. 方案CKKS
【阅读笔记】PPFL全面综述文章: A Comprehensive Survey of Privacy-preserving Federated Learning
HERODING23的博客
12-09 3051
PPFL全面综述前言一、个人拙见1. 什么是联邦学习？2. 联邦学习与分布式机器学习的区别3. 联邦学习的应用与前景二、综述解析1. INTRODUCTION1.1 Background1.2 Motivation1.3 Main Contributions2. AN OVERVIEW OF FEDERATED LEARNING2.1 Brief Introduction to FL2.2 Categorization of Current FL Methods2.2.1 Horizontal FL2.2.
2.Paper小结——《Privacy-preserving blockchain-based federated learning for traffic flow prediction》
热门推荐
m0_57126939的博客
09-28 1万+
题目： 基于区块链的基于隐私保护的交通流量预测的联邦学习 0.Abstract： 交通流量预测已成为智能交通系统的重要组成部分。然而，现有的基于集中式机器学习的交通流量预测方法需要收集原始数据以进行模型训练，这涉及到严重的隐私暴露风险。为了解决这些问题，共享模型更新而不交换原始数据的联邦学习最近被引入，作为实现隐私保护的有效解决方案。然而，现有的联邦学习框架是基于一个集中的模型协调器，它仍然面临着严重的安全挑战，例如单点故障。因此，提出了一个基于区块链的联盟联邦学习框架...
Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices读书笔记
m0_54487794的博客
04-02 1138
Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices读书笔记
【论文阅读】 Privacy-Preserving Byzantine-Robust Federated Learning via Blockchain Systems
卷卷卷不动的博客
03-20 1273
传统的联邦学习容易受到恶意客户端和服务器的中毒攻击，在本文中设计一个基于区块链系统的隐私保护拜占庭鲁棒联合学习（PBFL），我们使用余弦相似性来判断恶意客户端上传的恶意梯度。然后，我们采用全同态加密来提供安全的聚合最后，我们使用区块链系统来促进透明的流程和法规的实施。与传统的安全聚合场景不同，我们考虑了一个联合学习场景，其中包含nnn个客户端中的kkk恶意客户端。首先，我们将kkk恶意客户端的知识和能力定义如下:（1）恶意客户端可能保留自己的有毒数据，但无法访问其他诚实客户端的本地数据。
SRT3D: A Sparse Region-Based 3D Object Tracking Approach for the Real World
weixin_45834800的博客
09-13 1057
基于区域的方法在基于模型的单目3D跟踪无纹理物体的复杂场景中变得越来越流行。然而，尽管它们能够实现最先进的结果，大多数方法的计算开销很大，需要大量资源来实时运行。在下文中，我们基于之前的工作，开发了SRT3D，这是一种稀疏的基于区域的3D物体跟踪方法，旨在弥合效率上的差距。我们的方法在所谓的对应线（这些线模型化了物体轮廓位置的概率）上稀疏地考虑图像信息。由此，我们改进了当前的技术，并引入了考虑定义的全局和局部不确定性的平滑阶跃函数。对于所得到的概率公式，提供了详尽的分析。
【AI大模型】Kimi API大模型接口实现
qq_25888559的博客
09-15 1017
Kimi智能助手在效率（免费榜）排名从2024年1月14日的第436名提升至3月19日的第11名。而尚未上线的GPT-4.5 Turbo上下文窗口指定为25.6万个token，能同时处理约20万个单词，Kimi升级后，长文本能力为其10倍。在2023年10月初次亮相时，该模型的处理能力还仅有约20万汉字。2024年3月18日，月之暗面宣布Kimi智能助手启动200万字无损上下文内测。
开源 AI 智能名片链动 2+1 模式 O2O 商城小程序在社群活动中的应用与时机选择
最新发布
专注MarTech应用研究与实施方案
09-17 509
本文探讨了开源 AI 智能名片链动 2+1 模式 O2O 商城小程序在社群经济中的重要性，着重分析了如何借助该小程序适时举办大型活动以维持和引爆社群活跃度。通过对活动时机选择的研究，强调了针对社群用户量身定制活动时机的必要性，以赢得用户的高度参与。
opencv学习：calcHist 函数绘制图像直方图及代码实现
mohanyelong的博客
09-13 1488
opencv学习：calcHist 函数绘制图像直方图及代码实现
Djourney新手入门基础，AI摄影+AI设计+AI绘画-AIGC作图
DAMOXINGHAITAI的博客
09-14 990
（全套教程文末领取哈）从大模型系统设计入手，讲解大模型的主要方法；在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；以SD多模态大模型为主，搭建了文生图小程序案例；以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
数据爬虫中遇到验证码的解决方法
sheji888的专栏
09-17 827
数据爬虫中遇到验证码是一个复杂而常见的问题，需要综合考虑多种因素并采取合适的解决策略。通过避免触发验证码、手动输入验证码、使用验证码识别技术、绕过验证码机制以及采用分布式爬虫和代理IP等方法，可以在一定程度上提高爬虫的稳定性和效率。然而，需要注意的是，爬虫的使用必须遵守相关法律法规和网站爬虫协议的要求，确保数据抓取活动的合法性和合规性。
Privacy-Preserving Machine Learning Using Federated Learning and Secure Aggregation
05-04
Privacy-preserving machine learning is becoming increasingly important in today's world where data privacy is a major concern. Federated learning and secure aggregation are two techniques that can be ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值