مقاله یک راه حل بلاکچین برای یادگیری ماشین تعاملی از طریق IoT

چکیده

The rapid growth of Internet of Things (IoT) devices and applications has led to an increased demand for advanced analytics and machine learning techniques capable of handling the challenges associated with data privacy, security, and scalability. Federated learning (FL) and blockchain technologies have emerged as promising approaches to address these challenges by enabling decentralized, secure, and privacy-preserving model training on distributed data sources. In this paper, we present a novel IoT solution that combines the incremental learning vector quantization algorithm (XuILVQ) with Ethereum blockchain technology to facilitate secure and efficient data sharing, model training, and prototype storage in a distributed environment. Our proposed architecture addresses the shortcomings of existing blockchain-based FL solutions by reducing computational and communication overheads while maintaining data privacy and security. We assess the performance of our system through a series of experiments, showcasing its potential to enhance the accuracy and efficiency of machine learning tasks in IoT settings.

چکیده به فارسی (ترجمه ماشینی)

رشد سریع اینترنت اشیاء (IoT) دستگاه ها و برنامه های کاربردی منجر به افزایش تقاضا برای تجزیه و تحلیل پیشرفته و تکنیک های یادگیری ماشین می شود که قادر به رسیدگی به چالش های مرتبط با حریم خصوصی داده ها ، امنیت و مقیاس پذیری هستند.فن آوری های یادگیری فدرال (FL) و blockchain به عنوان رویکردهای امیدوارکننده برای رفع این چالش ها با فعال کردن آموزش مدل غیرمتمرکز ، ایمن و حفظ حریم خصوصی در منابع داده توزیع شده ظاهر شده اند.در این مقاله ، ما یک راه حل IoT جدید ارائه می دهیم که ترکیب الگوریتم کمیت بردار یادگیری افزایشی (XUILVQ) را با فناوری blockchain Ethereum برای تسهیل به اشتراک گذاری داده های ایمن و کارآمد ، آموزش مدل و ذخیره سازی نمونه اولیه در یک محیط توزیع شده ارائه می دهد.معماری پیشنهادی ما با کاهش هزینه های محاسباتی و ارتباطی ضمن حفظ حریم خصوصی و امنیت داده ها ، به کاستی های راه حل های FL مبتنی بر blockchain موجود می پردازد.ما عملکرد سیستم خود را از طریق یک سری آزمایشات ارزیابی می کنیم و پتانسیل آن را برای افزایش دقت و کارآیی کارهای یادگیری ماشین در تنظیمات IoT نشان می دهیم.