Εμφάνιση απλής εγγραφής

dc.contributor.advisorΜαυρίδης, Ιωάννης
dc.contributor.authorΞάνθος, Τέγγερης
dc.contributor.otherXanthos, Teggeris
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2022-01-25T11:48:09Z
dc.date.available2022-01-25T11:48:09Z
dc.date.copyright2022-01-25
dc.date.issued2021
dc.identifier.otherΑΥΔ/2021/00090el_GR
dc.identifier.urihttp://hdl.handle.net/11128/5088
dc.descriptionΠεριέχει βιβλιογραφικές παραπομπές.el_GR
dc.description.abstractΗ έννοια του Federated Learning (FL) περιλαμβάνει την κατάρτιση στατιστικών μοντέλων σε κέντρα δεδομένων, όπως κινητά τηλέφωνα ή νοσοκομεία, διατηρώντας ταυτόχρονα τα δεδομένα τοπικά. Η εκπαίδευση σε ετερογενή και δυνητικά τεράστια δίκτυα εισάγει πολλές προκλήσεις που απορρέουν από την απόκλιση από το βασικό πρότυπο προσέγγισης για μεγάλης κλίμακας μηχανική μάθηση (machine learning), κατανεμημένης βελτιστοποίησης και ανάλυσης δεδομένων για τη διατήρηση της ιδιωτικής ζωής. Το federated Learning (FL) περιλαμβάνει την αποκεντρωμένη μηχανική μάθηση σε ενιαίο στατιστικό μοντέλο από δεδομένα αποθηκευμένα σε δεκάδες έως δυνητικά εκατομμύρια απομακρυσμένες συσκευές. Η επικοινωνία είναι ένα κρίσιμο σημείο όσο αφορά την ασφάλεια του συστήματος για τα ενοποιημένα δίκτυα, τα οποία όταν συνδέονται με ζητήματα σχετικά με το απόρρητο ή με την ασφαλή αποστολή πρωτογενή δεδομένα απαιτούν την παραμονή τους στη συσκευή όπου δημιουργούνται. Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη της σχετικής βιβλιογραφίας και η κωδικοποίηση των ζητημάτων ασφάλειας και ιδιωτικότητα των συστημάτων Federated Learning (FL). Επιπρόσθετα, γίνεται πρόταση και συζήτηση λύσεων για την αντιμετώπιση αυτών των θεμάτων. Στη συνέχεια, γίνεται ανάπτυξη πειραματικής εφαρμογής για τη μελέτη στη βάση σεναρίων για την αντιμετώπιση του data poisoning με βάση το model averaging. Τέλος, τα βασικά ερευνητικά ερωτήματα είναι η εύρεση των απειλών για την ασφάλεια, για την ιδιωτικότητα αλλά και τα κριτήρια που αξιολογούνται οι παραπάνω απειλές. Επιπρόσθετα, ποιά είναι τα χαρακτηριστικά των διαφόρων συστημάτων FL που επηρεάζουν τη διαμόρφωση του μοντέλου απειλών αλλά και οι τρόποι με τους οποίους μπορούν να αντιμετωπιστούν οι παραπάνω απειλές.el_GR
dc.format.extentix, 66 σ. ; 30 εκ.el_GR
dc.languagegrel_GR
dc.language.isoenel_GR
dc.publisherΑνοικτό Πανεπιστήμιο Κύπρουel_GR
dc.rightsinfo:eu-repo/semantics/closedAccessel_GR
dc.subjectFederated Learningel_GR
dc.subjectΑποκεντρωμένη μηχανική μάθησηel_GR
dc.subjectDecentralized machine learningel_GR
dc.titleSecurity and privacy issues in federated learning systemsel_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractThe concept of Federated Learning (FL) involves compiling statistical models on data centers, such as cell phones or hospitals, while keeping the data local. Training in heterogeneous and potentially vast networks introduces many challenges arising from deviating from the basic standard approach to large-scale machine learning, distributed optimization, and data analysis for privacy. FL includes decentralized machine learning in a single statistical model from data stored on tens to potentially millions of remote devices. Communication is a critical bottleneck for integrated networks which, when linked to privacy issues or the secure sending of primary data, requires them to remain on the device where they are created. Thus, the object of the present dissertation is the study of the relevant literature and codification of the security and privacy issues of the Federated Learning (FL) systems. In addition, solutions are proposed and discussed to address these issues. Then, an experimental application is developed for the study based on scenarios for the treatment of data poisoning based on the model averaging. Finally, the main research questions are to find the threats to security, privacy, and the criteria by which the above threats are evaluated. In addition, what are the characteristics of the various FL systems that affect the configuration of the threat model and the ways in which the above threats can be addressed.el_GR
dc.format.typepdfel_GR


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής