Advancing Federated Learning in 6G: A Trusted Architecture with Graph-based Analysis

要約

ネイティブ AI サポートをネットワーク アーキテクチャに統合することは、6G の重要な目的です。
Federated Learning (FL) は潜在的なパラダイムとして浮上しており、中央サーバーの調整のもとでさまざまなデバイスにわたる分散型 AI モデルのトレーニングを促進します。
ただし、ローカル モデルの更新に対する悪意のある攻撃やプライバシー スヌーピング、集中化の落とし穴など、いくつかの課題が 6G コンテキストでの広範な適用を妨げています。
この研究では、分散台帳技術 (DLT) とグラフ ニューラル ネットワーク (GNN) を利用する、FL をサポートするための信頼できるアーキテクチャを提案します。これには 3 つの主要な機能が含まれます。
まず、準同型暗号化を採用した前処理層が組み込まれ、ローカル モデルを安全に集約し、個々のモデルのプライバシーを保護します。
第 2 に、前処理層のクライアントとノード間の分散性とグラフ構造を考慮して、GNN を活用して異常なローカル モデルを特定し、システムのセキュリティを強化します。
第三に、DLT は、中央サーバーの機能を実行する候補の 1 つを選択することにより、システムを分散化するために利用されます。
さらに、DLT は、データ交換を不変かつ透明な台帳に記録することで、信頼性の高いデータ管理を保証します。
新しいアーキテクチャの実現可能性はシミュレーションを通じて検証され、関連するベースラインと比較して異常モデル検出およびグローバル モデルの精度の向上したパフォーマンスが実証されています。

要約(オリジナル)

Integrating native AI support into the network architecture is an essential objective of 6G. Federated Learning (FL) emerges as a potential paradigm, facilitating decentralized AI model training across a diverse range of devices under the coordination of a central server. However, several challenges hinder its wide application in the 6G context, such as malicious attacks and privacy snooping on local model updates, and centralization pitfalls. This work proposes a trusted architecture for supporting FL, which utilizes Distributed Ledger Technology (DLT) and Graph Neural Network (GNN), including three key features. First, a pre-processing layer employing homomorphic encryption is incorporated to securely aggregate local models, preserving the privacy of individual models. Second, given the distributed nature and graph structure between clients and nodes in the pre-processing layer, GNN is leveraged to identify abnormal local models, enhancing system security. Third, DLT is utilized to decentralize the system by selecting one of the candidates to perform the central server’s functions. Additionally, DLT ensures reliable data management by recording data exchanges in an immutable and transparent ledger. The feasibility of the novel architecture is validated through simulations, demonstrating improved performance in anomalous model detection and global model accuracy compared to relevant baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google