Dalītā Mācīšanās Lietu Internetā

Abstract

Mūsdienās lietu interneta (LI) ierīces ir tik spējīgas, ka uz tām var trenēt makslīgā intelekta (MI) modeļus dažādiem uzdevumiem. Tādēļ ir nepieciešama pieeja, kas nodrošina šo modeļu un to rezultātu privātumu un drošību, kā arī apmaiņu starp serveri un LI ierīcēm. Dalītā mācīšanās sniedz pieeju, kā uzlabot MI modeļu un to rezultātu apmaiņas drošumu un privātumu, piemēram, izmantojot diferencēto privātumu (Differential Privacy) un homomorfisko šifrēšanu (Homomorphic Encryption). Eksistē vairāki dalītās mācīšanās apakšvirzieni un metodes to realizēšanai. Pieejamie virzieni ļauj implementēt esošus mašīnmācīšanās (ML) risinājumus tieši izmantojot dalīto mācīšanos, kam ir potenciāls uzlabot ML procesu, padarot to drošāku, uzlabojot tā datu privātumu, kā arī modeļu precizitāti. Tādēļ šī maģistra darba mērķis ir izpētīt dalītās mācīšanās virzienus, ieskaitot to ietekmi uz ML implementāciju drošumu un datu privātumu un izmantojamās metodes šo atribūtu uzlabošanai, kā arī izmantojot eksistējošu ML risinājumu LI kontekstā veikt šī risinājuma portēšanu uz izvēlēto DM virzienu. Kur galvenie maģistra darba uzdevumi ir: izpētīt un analizēt eksistējošos dalītās mācīšanās risinājumus un metodes, kā arī implementēt eksistējošu lietu interneta ML risinājumu kādā no DM metodēm. Maģistra darba izstrāde noritēja Elektronikas un datorzinātņu institūtā saistībā ar Latvijas Zinātnes padomes finansēto pētījumu, projekta “Viedo materiālu, fotonikas, tehnoloģiju un inženierijas ekosistēma” (VPP-EM-FOTONIKA-2022/1-0001) ietvaros, kā arī projekta “Jaudas elektronikas pielietojumu digitalizācija svarīgākajās tehnoloģiju vērtību ķēdēs” (PowerizeD) ietvaros, kuru finansē "Svarīgas digitālās tehnoloģijas" (KDT JU — Key Digital Technologies Joint Undertaking) saskaņā ar finansējuma līgumu No 101096387. KDT-JU gūst atbalstu no Eiropas Savienības Horizon Europe pētniecības un inovāciju programmas kā arī Vācijas, Somijas, Spānijas, Nīderlandes, Zviedrijas, Beļģijas, Austrijas, Itālijas, Ungārijas, Šveices, Grieķijas un Latvijas.

The IoT devices that are used today have become so powerful that they even are capable of running machine learning (ML) algorithms for various tasks. Which is why there is a need for an approach which helps to strengthen the security and privacy of such networks including the data that is sent inbetween the server and the IoT devices. Distributed learning (DL) in combination with differential privacy and homomorphic encryption helps to deal with this problem by enhancing both the privacy and security of these results. There exists many DL techniques and methods to implement them. Which allow us to port existing ML algorithm implementations to these DL techniques with great potential to increase the accuracy, privacy, security and computing efficiency of our existing model architecture. That is why the main goal of this master's thesis is to research existing DL approaches, their influence on vanilla ML implementation security and data privacy and to research the methods with which to port an existing ML solution from the area of IoT to a chosen DL approach. With the main tasks of the master's thesis being: research and analyze existing DL approaches and methods, implement a chosen method into an existing ML solution from the field of IoT. This master's thesis was developed at the Institute of Electronics and Computer Science under research project “Smart Materials, Photonics, Technologies and Engineering Ecosystem” No VPP-EM-FOTONIKA-2022/1-0001 that is funded by the Latvian Council of Science and under research project “Digitalization of Power Electronic Applications within Key Technology Value Chains” (PowerizeD), which has received funding from the Key Digital Technologies Joint-Undertaking (KDT-JU) under grant agreement No 101096387. The KDT-JU receives support from the European Union’s Horizon Europe research and innovation programme and Germany, Finland, Spain, Netherlands, Sweden, Belgium, Austria, Italy, Hungary, Switzerland, Greece and Latvia.