Heterogeneity-aware Secure Federated Learning for IoT and Wireless Sensor Networks
연구 내용
IoT·무선센서네트워크에서 Raw data 공유 없이 연합학습을 수행할 때 이기종성과 보안·프라이버시 제약을 정리하고 성능을 개선하는 연구
IoT 환경에서는 데이터가 디바이스별로 분산되고 분포가 달라 non-IID 문제가 빈번하며, 이로 인해 연합학습 성능과 안전성 요구가 동시에 증가합니다. 본 연구는 FL의 이기종성 분류와 보안·프라이버시 이슈를 체계적으로 정리하는 한편, 라벨 분포에 기반해 클라이언트를 분류하고 모델 transfer 및 parameter server 선택을 최적화하여 non-IID 학습 저하를 완화합니다. 또한 전송 비용을 고려한 매칭과 전역 집계를 위한 네트워크 구조를 설계합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 IoT·WSN·FL을 통합하는 관점에서 heterogeneity taxonomy와 보안·프라이버시 고려사항, 성능평가 방법론을 조사·정리하는 연구를 수행했습니다. 이후 비동질 데이터로 인한 성능 저하를 완화하기 위해 클라이언트 라벨 분포 기반 model transfer 전략을 제안하고, 전송 비용과 aggregation 효율을 함께 만족하는 parameter server 선택을 구성했습니다. 최근에는 이 접근을 실제 데이터 셋 기반 시뮬레이션으로 검증하며 연합학습의 통신·정확도 균형을 개선하는 방향으로 확장했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
A Survey on Heterogeneity Taxonomy, Security and Privacy Preservation in the Integration of IoT, Wireless Sensor Networks and Federated Learning
Optimal Model Transfer and Dynamic Parameter Server Selection for Efficient Federated Learning in IoT-Edge Systems With Non-IID Data