Federated Learning for IoT Edge Computing: An Experimental Study

Abstract

Os 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.