Federated Learning for IoT Edge Computing: An Experimental Study

Detalhes bibliográficos
Autor(a) principal: Esteves, Leonardo Galveias
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/99424
Resumo: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_0014c9e14af2bbe9001ddc80a3ca384e
oai_identifier_str oai:estudogeral.uc.pt:10316/99424
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Federated Learning for IoT Edge Computing: An Experimental StudyAprendizagem Federada Aplicada a Computação de Borda em IdC: Um Estudo ExperimentalAprendizagem FederadaRede Neuronal ConvulacionalComputação de BordaComputação em NuvemFederated Averaging (FedAvg)Federated Learning (FL)Convolutional Neural Network (CNN)Edge ComputingCloud ComputingFederated Averaging (FedAvg)Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaOs dados gerados por anualmente rondam os 40 trilhões de gigabytes. Este aumento significativo de dados todos os anos trás a necessidade de assegurar a proteção de informação sensível. A Inteligência Artificial tem vindo a melhorar cada vez mais os seus resultados, apresentando modelos capazes de responder rigorosamente em áreas de atuação críticas, por exemplo, medicina, veículos autónomos, robótica, etc. Estes algoritmos precisam de enormes quantidades de dados disponíveis para otimizarem ao máximo a sua resposta perante todos a sua área de operação.Surgiu a necessidade de continuar a melhorar estes algoritmos mantendo a privacidade e confidencialidade dos dados utilizados.Desta forma, foi criado o conceito de Federated Learning. O Federated Learning permite continuar a treinar algoritmos de Machine Learning sem partilhar os dados utilizados para a convergência do modelo. O Federated Learning apresenta apresenta algumas similaridades com o Distributed Learning. Em ambos os conceitos o treino é distribuido, no entanto o Federated Learning descentraliza também os dados de forma a manter a informação privada.O objetivo desta dissertação passa por explorar o conceito de Federated Learning, assim como comparar diretamente este conceito com o Machine Learning centralizado. Para tal, é mostrada a arquitetura necessária para a construção de uma solução federada. Este documento apresenta ainda resultados obtidos com soluções federadas tanto em ambiente de simulação como numa implementação em ambiente real. Finalmente, é também apresentado um ponto de vista dos resultados obtidos e opções de otimização de uma solução com Federated Learning são discutidas.The data generated annually is around 40 trillion gigabytes. This significant increase in data every year brings with it the need to ensure the protection of sensitive information. Artificial Intelligence has been improving its results more and more, presenting models capable of responding rigorously in critical areas, for example medicine, autonomous vehicles, robotics, etc. These algorithms need huge amounts of available data to optimize their response to all their area of operation.The urge to continue to improve these algorithms while maintaining the privacy and confidentiality of the data used emerged.Thus, the concept of Federated Learning was created. Federated Learning allows to continue training Machine Learning algorithms without sharing the data used for model convergence. Federated Learning has some similarities with Distributed Learning. In both concepts the training is distributed, however, Federated Learning also decentralizes the data in order to keep the information private.The objective of this dissertation is to explore the concept of Federated Learning, as well as to directly compare this concept with centralized Machine Learning. To this end, the architecture required to build a federated solution is analyzed in depth. This dissertation also presents results obtained with federated solutions in both simulation and real-world deployment. Finally, a viewpoint of the obtained results is also presented, and options for optimizing a solution with Federated Learning are discussed.2022-02-28info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/99424http://hdl.handle.net/10316/99424TID:202967662engEsteves, Leonardo Galveiasinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-05-25T06:42:09Zoai:estudogeral.uc.pt:10316/99424Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:17:02.427666Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Federated Learning for IoT Edge Computing: An Experimental Study
Aprendizagem Federada Aplicada a Computação de Borda em IdC: Um Estudo Experimental
title Federated Learning for IoT Edge Computing: An Experimental Study
spellingShingle Federated Learning for IoT Edge Computing: An Experimental Study
Esteves, Leonardo Galveias
Aprendizagem Federada
Rede Neuronal Convulacional
Computação de Borda
Computação em Nuvem
Federated Averaging (FedAvg)
Federated Learning (FL)
Convolutional Neural Network (CNN)
Edge Computing
Cloud Computing
Federated Averaging (FedAvg)
title_short Federated Learning for IoT Edge Computing: An Experimental Study
title_full Federated Learning for IoT Edge Computing: An Experimental Study
title_fullStr Federated Learning for IoT Edge Computing: An Experimental Study
title_full_unstemmed Federated Learning for IoT Edge Computing: An Experimental Study
title_sort Federated Learning for IoT Edge Computing: An Experimental Study
author Esteves, Leonardo Galveias
author_facet Esteves, Leonardo Galveias
author_role author
dc.contributor.author.fl_str_mv Esteves, Leonardo Galveias
dc.subject.por.fl_str_mv Aprendizagem Federada
Rede Neuronal Convulacional
Computação de Borda
Computação em Nuvem
Federated Averaging (FedAvg)
Federated Learning (FL)
Convolutional Neural Network (CNN)
Edge Computing
Cloud Computing
Federated Averaging (FedAvg)
topic Aprendizagem Federada
Rede Neuronal Convulacional
Computação de Borda
Computação em Nuvem
Federated Averaging (FedAvg)
Federated Learning (FL)
Convolutional Neural Network (CNN)
Edge Computing
Cloud Computing
Federated Averaging (FedAvg)
description Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2022
dc.date.none.fl_str_mv 2022-02-28
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/99424
http://hdl.handle.net/10316/99424
TID:202967662
url http://hdl.handle.net/10316/99424
identifier_str_mv TID:202967662
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134066010750976

Registros relacionados