TY -的A2 -元,强强盟——Agrawal Shaashwat AU -水域,Aditi盟——Sarkar Sagnik盟——Selvanambi Ramani盟——Gadekallu Thippa Reddy PY - 2021 DA - 2021/12/17 TI -时间加权平均为异步联邦入侵检测系统SP - 5844728六世- 2021 AB -联合学习机器学习(FL)是一种新兴的子域名(ML)在分布式和异构的设置。它提供了高效的培训架构,充分的数据,和保护隐私的交流促进ML算法的性能和可行性。在这种环境下,产生的合成全局模型平均各种培训客户端模型是至关重要的。在每一轮的FL,模型参数从每个客户端设备转移到服务器时,服务器等待所有的模型才能平均。在现实的场景中,等待所有客户沟通他们的模型参数,客户端模型训练在低功耗物联网(物联网)设备,可能导致死锁。在这篇文章中,一个新的异步时序模型平均算法联合学习(AFL)。我们的方法使用一个动态期望函数,计算客户端模型预期的数量在每一轮和加权平均算法连续全局模型的修改。这将确保联邦体系结构不是陷入了僵局,增加服务器的吞吐量和客户。在网络安全涉及到异步性的重要性,该算法使用NSL-KDD入侵检测系统的数据集进行了测试。全局模型的性能精度约为99.5%的数据集,优于传统FL在异常检测模型。 In terms of asynchronicity, we get an increased throughput of almost 10.17% for every 30 timesteps. SN - 1687-5265 UR - https://doi.org/10.1155/2021/5844728 DO - 10.1155/2021/5844728 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -