ترجمه فارسی مقاله ارزیابی امنیتی یادگیری عمیق فدرال سلسله مراتبی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Security Assessment of Hierarchical Federated Deep Learning
عنوان مقاله به فارسی ارزیابی امنیتی یادگیری عمیق فدرال سلسله مراتبی
نویسندگان D Alqattan, R Sun, H Liang, G Nicosia, V Snasel, R Ranjan, V Ojha
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Cryptography and Security,یادگیری ماشین , هوش مصنوعی , رمزنگاری و امنیت ,
توضیحات Submitted 20 August, 2024; originally announced August 2024. , Journal ref: 33rd International Conference on Artificial Neural Networks (ICANN) (2024)
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد. ، مجله Ref: سی و دومین کنفرانس بین المللی شبکه های عصبی مصنوعی (ICANN) (2024)
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Hierarchical federated learning (HFL) is a promising distributed deep learning model training paradigm, but it has crucial security concerns arising from adversarial attacks. This research investigates and assesses the security of HFL using a novel methodology by focusing on its resilience against adversarial attacks inference-time and training-time. Through a series of extensive experiments across diverse datasets and attack scenarios, we uncover that HFL demonstrates robustness against untargeted training-time attacks due to its hierarchical structure. However, targeted attacks, particularly backdoor attacks, exploit this architecture, especially when malicious clients are positioned in the overlapping coverage areas of edge servers. Consequently, HFL shows a dual nature in its resilience, showcasing its capability to recover from attacks thanks to its hierarchical aggregation that strengthens its suitability for adversarial training, thereby reinforcing its resistance against inference-time attacks. These insights underscore the necessity for balanced security strategies in HFL systems, leveraging their inherent strengths while effectively mitigating vulnerabilities.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدراسیون سلسله مراتبی (HFL) یک الگوی آموزش مدل یادگیری عمیق توزیع شده است ، اما نگرانی های امنیتی اساسی ناشی از حملات مخالف دارد.این تحقیق امنیت HFL را با استفاده از یک روش جدید با تمرکز بر مقاومت آن در برابر حملات مخالف استنباط زمان و زمان آموزش بررسی و ارزیابی می کند.از طریق مجموعه ای از آزمایشات گسترده در مجموعه داده های متنوع و سناریوهای حمله ، ما کشف می کنیم که HFL به دلیل ساختار سلسله مراتبی آن ، استحکام را در برابر حملات زمان بدون هدف آموزش نشان می دهد.با این حال ، حملات هدفمند ، به ویژه حملات پشتی ، از این معماری بهره برداری می کنند ، به ویژه هنگامی که مشتری های مخرب در مناطق پوشش همپوشانی سرورهای لبه قرار می گیرند.در نتیجه ، HFL ماهیت دوگانه ای را در مقاومت خود نشان می دهد ، و توانایی خود را برای بهبودی از حملات به لطف تجمع سلسله مراتبی خود نشان می دهد که باعث تقویت مناسب بودن آن برای تمرینات مخالف می شود و از این طریق مقاومت خود را در برابر حملات زمان استنباط تقویت می کند.این بینش ها بر ضرورت استراتژی های امنیتی متعادل در سیستم های HFL تأکید می کنند و از نقاط قوت ذاتی آنها استفاده می کنند و در عین حال به طور موثری آسیب پذیری ها را کاهش می دهند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.