ЗАСТОСУВАННЯ ГІБРИДНИХ МОДЕЛЕЙ ФЕДЕРАТИВНОГО НАВЧАННЯ З ІНТЕГРАЦІЄЮ БЛОКЧЕЙНУ ТА МЕТОДІВ МАШИННОГО НАВЧАННЯ

Автор(и)

DOI:

https://doi.org/10.32782/tnv-tech.2024.5.12

Ключові слова:

блокчейн, аналіз даних, децентралізація, соціальні мережі

Анотація

У статті досліджується перспективне поєднання технологій блокчейну та машинного навчання на основі Federated Learning для створення гібридних моделей, здатних трансформувати інтелектуальний аналіз даних у соціальних мережах завдяки підвищеній безпеці, автономності та ефективності управління даними. Блокчейн забезпечує децентралізоване та захищене середовище для зберігання та передачі інформації, що особливо важливо в умовах зростаючих вимог до конфіденційності й надійності даних у соціальних мережах. У свою чергу, машинне навчання, яке потребує великих обсягів достовірних даних для точного прогнозування та аналізу, може скористатися безпечними платформами на основі блокчейну для створення високоефективних моделей. Описано ключові аспекти впровадження гібридних моделей, таких як забезпечення конфіденційності даних користувачів, масштабованість блокчейну та складність інтеграції обох технологій. Успішна реалізація таких систем може підвищити ефективність і безпеку процесів аналізу даних у соціальних мережах, створюючи нові можливості для інновацій, поліпшення персоналізації контенту та забезпечення кращого захисту від маніпуляцій. Таким чином, проведене дослідження підкреслює, що ці підходи можуть значно вдосконалити традиційні методи аналізу даних, зробивши соціальні мережі безпечнішими й адаптованими до потреб сучасних користувачів. Розроблена система дозволяє оцінити взаємодію між користувачем і глобальною моделлю машинного навчання та моделлю блокчейну. Крім того, зібрані метрики, а саме: коефіцієнт зменшення навантаження, оцінка використання пропускної здатності мережі, час обробки блокчейну коефіцієнт, дозволяють оцінити застосування гібридної моделі із застосування технології блокчейну використовуючи машинне навчання. Проаналізовано порівняння навантаженості централізованої та децентралізованої системи відповідно ресурсоспроможності персонального компʼютера.

Посилання

Blockchain for secure and efficient data sharing in vehicular edge computing and networks / Kang, J. et al. IEEE Internet of Things Journal, 2020, 7(3), 2347-2363. https://doi.org/10.1109/JIOT.2020.2968332

Federated learning: Strategies for improving communication efficiency / Konecny, J. et al. arXiv preprint arXiv:1610.05492. 2016 https://arxiv.org/abs/1610.05492

Communication-efficient learning of deep networks from decentralized data / McMahan et al. In Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS), 2016, pp. 1273-1282.

Bitcoin and cryptocurrency technologies: A comprehensive introduction. Princeton University Press. / Narayanan, A. et al. 2016

Tapscott, D., & Tapscott, A. Blockchain revolution: How the technology behind bitcoin is changing money, business, and the world (Updated ed.). Portfolio. 2017

Xu, X., Weber, I., Staples, M. Blockchain in Software Architecture. In: Architecture for Blockchain Applications. Springer, Cham. 2019. https://doi.org/10.1007/978-3-030-03035-3_5.

Smart contract-based access control for the internet of things. / Zhang, Y. et al. IEEE Internet of Things Journal, 2021 6(2), pp. 1594-1605. https://doi.org/10.1109/JIOT.2021.3055118

Blockchain and federated learning for collaborative intrusion detection in vehicular networks. / Zhou, Z. et al IEEE Transactions on Intelligent Transportation Systems, 2020, 22(5), pp. 2925-2937. https://doi.org/10.1109/TITS.2020.2995608

Blockchain-enabled federated learning: A survey. / Qu, Y. et al. ACM Computing Surveys, 2022, 55(4), pp. 1-35. https://doi.org/10.1145/3524104

Wang, Z., & Hu, Q. Blockchain-based federated learning: A comprehensive survey. arXiv preprint arXiv:2110.02182. 2021. https://doi.org/10.48550/arXiv.2110.02182

Federated learning meets blockchain in edge computing: Opportunities and challenges / Nguyen, D. C. et al. IEEE Internet of Things Journal, 2021, 8(16), 12806-12825. https://doi.org/10.1109/JIOT.2021.3072611

Blockchain-based federated learning for securing internet of things: A comprehensive survey / Issa, W. et al, ACM Computing Surveys, 2023, 55(9), 1-43. https://doi.org/10.1145/3560816

Securing federated learning with blockchain: a systematic literature review. / Qammar, A. el al. Artificial Intelligence Review, 2023, 56(5), 3951-3985.

Integration of blockchain technology and federated learning in vehicular (iot) networks: A comprehensive survey. / Javed, A. R. et al. Sensors, 2022, 22(12), 4394. https://doi.org/10.3390/s22124394

Tsudzenko, Y. (2023). Підходи в моделюванні смарт-контрактів на основі Ethereum. Electronics and Information Technologies, 22, 69–78. https://doi.org/10.30970/eli.22.7.

##submission.downloads##

Опубліковано

2024-12-30

Як цитувати

Цудзенко, Ю. Є., Мисюк, І. В., & Мисюк, Р. В. (2024). ЗАСТОСУВАННЯ ГІБРИДНИХ МОДЕЛЕЙ ФЕДЕРАТИВНОГО НАВЧАННЯ З ІНТЕГРАЦІЄЮ БЛОКЧЕЙНУ ТА МЕТОДІВ МАШИННОГО НАВЧАННЯ. Таврійський науковий вісник. Серія: Технічні науки, (5), 114-123. https://doi.org/10.32782/tnv-tech.2024.5.12

Номер

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ