REDUS-自适应重采样以提高集中式和联邦物联网网络中的深度学习效率-计算机科学-深度学习-联邦学习-物联网.pdfVIP

REDUS：自适应重采样以提高集中式和联邦物联

网网络中的深度学习效率

EyadGad,GadGad,MostafaM.Fouda,MohamedI.Ibrahem,MuhammadIsmail,and

ZubairMdFadlullah

DepartmentofComputerScience,WesternUniversity,London,ON,Canada.

DepartmentofElectricalandComputerEngineering,IdahoStateUniversity,Pocatello,ID,USA.

CenterforAdvancedEnergyStudies(CAES),IdahoFalls,ID,USA.

SchoolofComputerandCyberSciences,AugustaUniversity,Augusta,GA,USA.

DepartmentofComputerScience,TennesseeTechnologicalUniversity,Cookeville,TN,USA.

Emails:egad@uwo.ca,ggad@uwo.ca,mfouda@,mibrahem@,mismail@,

本zfadlullah@

译

中

摘要—随着软件定义网络（SDN）在管理流量和确保互联设I.介绍

1

v备无缝运行方面的重要性日益增加，当SDN控制器与深度学习现代网络越来越依赖软件定义网络（SDN）来动态管

1（DL）工作负载共享基础设施时，挑战也随之而来。深度学习训练

2与SDN操作之间的资源竞争，在对延迟敏感的物联网环境中尤理流量，提高实时性能，并确保互联设备间的顺畅运行[1]。

0其显著，这会降低SDN的响应能力并损害网络性能。联邦学习虽然部署在共享服务器上的SDN控制器提供了灵活的网

2

0（FL）通过将深度学习训练分散到边缘设备来帮助解决部分这些络控制，但它们通常与在同一基础设施上运行的深度学习

.

7问题，从而减少数据传输成本并增强隐私保护。然而，深度学习训（DL）负载共存。这种资源密集型任务的同时执行会引发

0练的计算需求仍然可能干扰SDN的性能，特别是在物联网系统

5特有的连续数据流情况下。为缓解这一问题，我们提出REDUS资源争用问题，因为DL训练需要大量的CPU、内存和带

2宽。这种资源竞争可能会干扰对延迟敏感的SDN操作，损

:（ResamplingforEfficientDataUtilizationinSmart-

vNetworks），这是一种通过优先处理误分类样本和排除冗余数害实时流量管理、安全实施和策略执行。

i

x据来优化深度学习训练的重采样技术，灵感来自AdaBoost。数据驱动的智能系统需求的增长推动了在物联网

r

aREDUS减少了每轮中的训练样本数量，从而节约计算资源、降(IoT)攻击检测中使用深度学习模型。这些模型传统上是

低能耗并加速收敛速度，而不会对准确性产生显著影响。在联邦在集中式服务器上训练的，这带来了若干挑战，包括增加

学习设置中应用REDUS可以提高模型在资源受限的边缘设备

的通信开销、延迟和因集中敏感数据而产生的隐私风险[2]。

上的训练效率，并保持网络性能。本文通过CICIoT2023数据

集进行物联网攻击检测评估了REDUS，结果显示训练时间减少