Vahvistettu yhdistetty oppiminen kestävään hajautettuun verkottumiseen

Yhdistetty oppiminen (eng. federated learning) on hajautettu koneoppimisen paradigma, joka mahdollistaa mallien kouluttamisen hajautetuilla tietolähteillä. Se on myös keskeinen tekniikka 5G- ja 6G-verkoissa, kun verkot muuttuvat hajautetuiksi ja tekoälyn soveltaminen yleistyy. Sen eduista huolimatta myrkytys-hyökkäykset ovat järjestelmän luontainen haavoittuvuus, koska se perustuu hajautettuihin tietolähteisiin. Tämän väitöskirjan päätavoitteena on kehittää turvallisia yhdistetyn oppimisen järjestelmiä, jotka ovat kestäviä ja joustavia myrkytyshyökkäyksiä vastaan.

Tässä väitöstutkimuksessa tutkitaan ensiksi olemassa olevien algoritmien haavoittuvuuksia myrkytyshyökkäyksiä vastaan palvelin-asiakas yhdistetyn oppimisen järjestelmissä. Nykyisiin menetelmiin ehdotetaan parannuksia myrkytyshyökkäysten vaikutusten lieventämiseksi. Lisäksi käsitellään olemassa olevien puolustusmekanismien rajoituksia myrkytyshyökkäyksiä vastaan vertaisverkon yhdistetyn oppimisen järjestelmissä, erityisesti kun tietojakaumat eivät ole itsenäisiä ja identtisesti jakautuneita.

Toiseksi ehdotetaan laite-, reuna- ja pilvihierarkiaan perustuvaa edistynyttä yhdistetyn oppimisen algoritmia kohdistettuja myrkytyshyökkäyksiä. Hierarkkisessa järjestelmässä suoritetaan välimalleja yhteen kokoavia aggregaatioita varsinaisen yhdistyn oppimisen palvelimen lisäksi, mikä vähentää viestintäkuormaa. Ehdotettu algoritmi hyödyntää klusterointia, poikkeavien havaintojen suodatusta ja klusteriagregaatiota reunapalvelimella ennen kuin malli-päivitykset lähetetään palvelimelle. Palvelin suorittaa parhaan klusterin valinta-algoritmin luodakseen globaalin mallin jatkokoulutusta varten.

Kolmanneksi puolustusalgoritmia laajennetaan hierarkkisiin järjestelmiin useammilla tasoilla, jotta sitä voidaan soveltaa laajempiin skenaarioihin. Lisäksi tutkimus analysoi menetelmän kestävyyttä kohdistettuja ja kohdistamattomia myrkytyshyökkäyksiä sekä data-ja mallimyrkytyshyökkäyksiä vastaan, huomioiden sekä identtiset että ei-identtiset tietojakaumat yhdistetyn oppimisen käyttäjäsolmujen välillä.

Tämän väitöstutkimuksen tulokset auttavat suunnittelemaan turvallisempia, kestävämpiä ja joustavampia yhdistetyn oppimisen järjestelmiä. Näitä järjestelmiä voidaan hyödyntää laajasti eri sovellusskenaarioissa, mukaan lukien 5G- ja 6G-viestintäjärjestelmät.