Federated Learning with Blockchain Assisted Image Classification for Clustered UAV Networks
摘要
为IIoT环境下的无人机集群网络（FLBIC-CUAV）设计了具有区块链辅助图像分类的联邦学习模型。
FLBIC-CUAV技术涉及三个主要过程：聚类、区块链支持的安全通信和基于FL的图像分类。
对于无人机集群的构建过程，设计了具有三个输入参数的甲虫群优化（BSO）算法对无人机进行集群，以实现有效通信。
此外，区块链支持的安全数据传输过程用于将数据从无人机传输到云服务器。
最后，云服务器使用带有残差网络的联邦学习模型来执行图像分类过程。
1引言
工业物联网（IIoT）相关概念。。。。。。
相关工作
项目原理创新点Fed SCNN检测架构在用户端通过DNN和SCNN确定一种混合方法，用于区分车内图像数据并将加密参数上传到云中；云服务器通过DNN对主要参数执行FL，以构建全局云模块；在用户端升级DNN，以进一步优化混合方法解决了隐私保护和数据隔离这两个主要问题基于UAV的智能IIoT控制和监测方法UAV利用CC服务，并使用FC作为IIoT层之间的桥梁无人机通过物联网网关手动纳入工业控制方案，而无人机图像在云中即时、系统地分析和计算CDW FedAvg方法考虑了所有用户数据集的负类和正类之间的距离。解决IIoT检测失败中的数据异构问题；为了激励用户参与FL，基于本地模型训练中使用的用户数据的质心距离和大小，开发了基于智能接触的激励机制。基于FL的方法的适应性通过联邦或独立DaaS提供商来实现隐私保护协作ML，以实现IoV应用的增长基于区块链的联邦学习场景区块链可以有效地诱导用户参与学习，将用户分割为一个”节点”；考虑两种权重来选择客户端子集以更新全局方法。根据每个用户的局部学习精度来考虑权重。根据每个用户的参与率来考虑权重。选择了两个基本性能指标：标准差和学习速度可以追求稳定性、完整性等。轻量级的hybrid FL架构其中区块链智能合约处理贡献联邦节点的身份验证、边缘训练计划和信任管理、边缘节点的信誉及其上传的数据集/模型本地或全局训练模型的分布。这些框架支持对模型训练、推断过程和数据集进行完全加密。联合边缘节点都执行加法加密，而区块链利用乘法加密来聚合升级模型的参数
。。。。。。
3提出的FLBIC-CUAV技术
目的：用于在无人机网络中实现安全通信和分类。
主要过程：基于BSO的聚类、基于区块链的安全通信和基于FL的图像分类。
3.1基于BSO的聚类技术设计
最初，BSO算法旨在选择适当的无人机 CHs集，并在网络中组织集群。根据甲虫的SI行为，提出了BSO方法。
现在，所有个体甲虫都定义了优化问题的潜在解决方案，并且都参考了由FF计算的适应度值。
甲虫的方向和距离是通过长天线识别的速度和数据强度来计算的。
。。。。。。
3.2区块链支持的数据传输
BC用于CHs和云服务器之间的安全数据传输。BC是确保数据质量的显著优势分类账。
有助于实现分权、隐私和信任。
BC允许与各种设备进行简单连接。该设备可以是计算数据的超级计算机/终端节点。
该节点可以将安全数据广播给其他对等节点，从而使攻击者无法实施攻击。
BC中的哈希值是链中每个数据的私有指纹。在块中对这对散列值进行迭代散列，以获得单个散列值。
客户端/服务器计算机可以是启动交易事务的节点。交易被集成以生成块；但是，这些块在从认可节点进行身份验证后添加到链中。。。。。。。
3.3基于FL的分类
FL方法是ML的一种开发技术，最初由谷歌于2016年开发。主要概念是在处理时保护用户数据。支持对大量分散数据进行模型训练。
训练程序用于通过整合训练参数来拟合全局最优统计方法。
可以利用大数据有效地解决数据孤岛问题，从而确保FL方法在机器检测中优于孤立模型。
基本参数被分离到云和大量用户端。基本参数数据可以在加密模型中在用户和云之间传输。
。。。。。。
文献来源
Ibrahim Abunadi et al. Federated Learning with Blockchain Assisted Image Classification for Clustered UAV Networks[J]. Computers, Materials & Continua, 2022, 72(1) : 1195-1212.
Original: https://blog.csdn.net/m0_51928767/article/details/126021154
Author: 物腐虫生
Title: 基于区块链辅助图像分类的集群学习
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/662829/
转载文章受原作者版权保护。转载请注明原作者出处！