Secure And Decentralized Approach For Collaborative Learning In Icps

Résumé: Federated Learning (FL) is a decentralized machine learning paradigm that enables the training of models across distributed devices, maintaining data privacy and minimizing communication overhead. However, FL’s reliance on a central server introduces critical vulnerabilities, such as a Single Point of Failure attack (SPoF) and increased susceptibility to Distributed Denial of Service attacks (DDoS) attacks. To mitigate these challenges, the integration of blockchain technology with Federated Learning, referred to as Blockchain-based Federated Learning (BCFL), has emerged as a robust solution. BCFL enhances system security by incentivizing participant contributions, deterring malicious behavior, and eliminating the dependency on a central server. This approach is particularly promising in domains such as the Industrial Internet of Things (IIoT), healthcare, telemedicine, and cyber-physical systems, where data security and reliability are paramount. In this graduation project, we will provide an in-depth analysis of ML techniques within the context of Industrial ndustrial Cyber-Physical Systems (ICPS), with a particular focus on Federated Learning. We will also explore blockchain technology, highlighting cutting-edge solutions that address the integration of blockchain with FL. Following this theoretical foundation, we will present our novel framework, FedChain-IPFS, which leverages both FL and blockchain technologies. To validate the effectiveness of our approach, we conducted extensive experiments, benchmarking the performance of FedChain- IPFS against traditional FL environments using two distinct aggregation algorithms: FedGA and FedPer. The results of these tests will demonstrate the superiority of our solution in terms of security, scalability, and efficiency. *** L’Apprentissage Fédéré (FL) est un paradigme d’apprentissage automatique décentralisé qui permet l’entraînement de modèles sur des appareils distribués, tout en préservant la confidentialité des données et en réduisant les coûts de communication. Cependant, la dépendance du FL à un serveur central introduit des vulnérabilités critiques, telles qu’un point de défaillance unique (Single Point of Failure, SPoF) et une sensibilité accrue aux attaques par déni de service distribué (DDoS). Pour atténuer ces défis, l’intégration de la technologie blockchain avec l’Apprentissage Fédéré, appelée Apprentissage Fédéré basé sur la Blockchain (BCFL), s’est révélée être une solution robuste. Le BCFL renforce la sécurité du système en incitant les contributions des participants, en dissuadant les comportements malveillants, et en éliminant la dépendance à un serveur central. Cette approche est particulièrement prometteuse dans des domaines tels que l’Internet Industriel des Objets (IIoT), la santé, la télémédecine, et les systèmes cyber-physiques, où la sécurité des données et la fiabilité sont primordiales. Dans ce projet de fin d’études, nous fournirons une analyse approfondie des techniques d’apprentissage automatique dans le contexte des systèmes cyber-physiques industriels (ICPS), en mettant l’accent sur l’Apprentissage Fédéré. Nous explorerons également la technologie blockchain, en soulignant les solutions de pointe qui abordent l’intégration de la blockchain avec le FL. Après cette base théorique, nous présenterons notre cadre novateur, FedChain-IPFS, qui exploite à la fois les technologies FL et blockchain. Pour valider l’efficacité de notre approche, nous avons mené des expériences approfondies, en comparant les performances de FedChain-IPFS à celles des environnements FL traditionnels, en utilisant deux algorithmes d’agrégation distincts : FedGA et Fed- Per. Les résultats de ces tests démontreront la supériorité de notre solution en termes de sécurité, de scalabilité et d’efficacité.

Publié dans la revue: