FEDERATED LEARNING APLICADA EM DISPOSITIVOS COM TECNOLOGIA INTERNET OF THINGS

Abstract

O Aprendizado Federado vem ganhando força nos últimos anos, principalmente por ser altamente escalável, podendo abrigar diferentes dispositivos, com dados heterogêneos. Também permite colaboração entre múltiplas entidades, sem a exposição de dados. Os dispositivos, que possuem tecnologia Internet das Coisas, estão cada dia mais presente no dia a dia dos seres humanos, demonstrando a necessidade de um alto processamento de informações. A partir disto, nos concentramos em explorar e entender a implementação do Aprendizado Federado com diferentes estruturas, relativo à gama de dispositivos de Internet das Coisas. As experiências realizadas utilizam o ambiente Flower para avaliar os parâmetros. Com isso, o desempenho dos modelos PassiveAggressive, Perceptron, SVM e Regressão Logística foram testados, para todos os conjuntos de dados UNSW-NB15 (2015), CIC-IDS2017 (2017), TON_IoT (2019), WUSTL-IIOT-2021 (2021), os quais fornecem informações da presença de ciber ataques. Buscou-se explorar o ambiente simulado em aplicações de um classificador binário, e multiclasse, a partir de técnicas de Aprendizagem Federada, abordando cada uma das etapas, e criando um entendimento da métrica de avaliação principal para tomada de decisão, f1-score. Para calculo da métrica, executamos combinações entre os modelos apresentados e técnicas de redução de dimensionalidade. Apresentamos cada um dos resultados obtidos a partir das simulações, bem como os desafios encontrados durante as etapas, concluindo que em quase todos testes, obtivemos melhores resultados com o modelo PassiveAggressive, além de redução da dimensionalidade a partir da importância das características. Por cada teste feito, chegamos a um ganho de informação entre os clientes de no mínimo 2% f1-score, denotando a efetividade do ambiente simulado. Para trabalhos futuros foi sugerido a aplicação de cenários utilizando o desbalanceamento de número de amostras distribuídos por todos cliente.

Federated Learning has gained momentum recently because it is highly scalable and can host different devices with heterogeneous data. It also allows collaboration between multiple entities without exposing data. Devices, which have Internet of Things technology, are increasingly present in the daily lives of humans, demonstrating the need for high information processing. From this, we focus on exploring and understanding the implementation of Federated Learning with different frameworks relative to the range of Internet of Things devices. The experiments were performed using the framework Flower to evaluate the parameters. With this, the performance of the PassiveAggressive, Perceptron, SVM, and Logistic Regression models were tested for all UNSW-NB15 (2015), CIC-IDS2017 (2017), TON_IoT (2019), WUSTL-IIOT-2021 (2021) datasets, which provide information of the presence of cyber attacks. We sought to explore the simulated environment in applications of a binary, and multiclass classifier, from Federated Learning techniques, addressing each of the steps and understanding the primary evaluation metric for decision making, f1-score. We run combinations between the presented models and dimensionality reduction techniques to calculate the metric. We present the results obtained from the simulations and the challenges encountered during the steps, concluding that in almost all tests, we obtained better results with the PassiveAggressive model, besides the dimensionality reduction from the importance of the characteristics. For each test performed, we reached an information gain among clients of at least 2% f1-score, denoting the effectiveness of the simulated environment. For future work, we suggested applying scenarios using unbalancing the number of samples distributed to all clients.