联合学习（FL）是一种隐私保留的分布式机器学习技术，该技术培训模型而不直接访问设备上生成的原始数据。由于设备可以是资源约束，因此可以通过将计算工作负载从设备传送到边缘服务器来改善流动来改善流动。然而，由于移动性，参与FL的设备可以在训练期间离开网络，并且需要连接到不同的边缘服务器。这是具有挑战性的，因为需要迁移边缘服务器的卸载计算。符合此断言，我们提出了Fedfly，即据我们所知，当设备在FL训练期间在边缘服务器之间移动时，将深度神经网络（DNN）迁移的第一项工作。我们对CiFar-10数据集的实证结果，具有平衡和不平衡的数据分布，支持我们的索赔，即当设备在50％的培训完成后，Fedfly可以将培训时间降低到33％，达到55％当与FL中的最先进的卸载方法相比，90％的培训时。 Fedfly在2秒的开销中可以忽略不计，并且不会妥协准确。最后，我们突出了一些开放的研究问题进行进一步调查。 fedfly可以从https://github.com/qub-blesson/fedfly下载
translated by 谷歌翻译
在互联网上应用联合学习（FL）是由他们产生的大量数据卷产生和越来越多的数据隐私问题所必需的。但是，有三种挑战需要解决，以使FL高效：（i）在具有有限的计算能力的设备上执行（ii）由于设备的计算异质性而对陷阱器进行丢包，并且（iii）适应变化的网络带宽。本文提出了一个自适应卸载FL框架，以减轻前述挑战。 FEDADATT通过利用深神经网络（DNN）的层卸载到服务器来加速在计算受限设备中的本地培训。此外，FEDADATT采用基于基于学习的优化和聚类，以便自适应地识别用于服务器上的每个单独设备的DNN的哪个层，以解决计算异质性和改变网络带宽的挑战。实验研究在包括五个物理设备的基于实验室的试验台上进行。通过将DNN从设备卸载到服务器FEDADATT与经典FL相比将典型的物联网设备的训练时间减少一半。极端陷阱和整体训练时间的培训时间可以减少高达57％。此外，随着网络带宽的变化，与经典FL相比，FEDADATT将在不牺牲精度的情况下将培训时间降低至多40％。 FEDADATT可以从https://github.com/qub-blesson/fedadapt下载。
translated by 谷歌翻译
Fast timescale state estimation for a large power system can be challenging if the sensors producing the measurements are few in number. This is particularly true for doing time-synchronized state estimation for a transmission system that has minimal phasor measurement unit (PMU) coverage. This paper proposes a Deep Neural network-based State Estimator (DeNSE) to overcome this extreme unobservability problem. For systems in which the existing PMU infrastructure is not able to bring the estimation errors within acceptable limits using the DeNSE, a data-driven incremental PMU placement methodology is also introduced. The practical utility of the proposed approach is demonstrated by considering topology changes, non-Gaussian measurement noise, bad data detection and correction, and large system application.
translated by 谷歌翻译
最近一年带来了电动汽车（EV）和相关基础设施/通信的大幅进步。入侵检测系统（ID）被广泛部署在此类关键基础架构中的异常检测。本文提出了一个可解释的异常检测系统（RX-ADS），用于在电动汽车中的CAN协议中进行入侵检测。贡献包括：1）基于窗口的特征提取方法； 2）基于深度自动编码器的异常检测方法； 3）基于对抗机器学习的解释生成方法。在两个基准CAN数据集上测试了提出的方法：OTID和汽车黑客。将RX-ADS的异常检测性能与这些数据集的最新方法进行了比较：HID和GID。 RX-ADS方法提出的性能与HIDS方法（OTIDS数据集）相当，并且具有超出HID和GID方法（CAR HACKING DATASET）的表现。此外，所提出的方法能够为因各种侵入而引起的异常行为产生解释。这些解释后来通过域专家使用的信息来检测异常来验证。 RX-ADS的其他优点包括：1）该方法可以在未标记的数据上进行培训； 2）解释有助于专家理解异常和根课程分析，并有助于AI模型调试和诊断，最终改善了对AI系统的用户信任。
translated by 谷歌翻译
数字双胞胎最近对工业控制系统（ICS）的模拟，优化和预测维护产生了重大兴趣。最近的研究讨论了在工业系统中使用数字双胞胎进行入侵检测的可能性。因此，这项研究为工业控制系统的基于数字双胞胎的安全框架做出了贡献，从而扩展了其模拟攻击和防御机制的能力。在独立的开源数字双胞胎上实施了四种类型的过程感知攻击方案：命令注入，网络拒绝服务（DOS），计算的测量修改和天真的测量修改。根据八种监督机器学习算法的离线评估，建议将堆叠的合奏分类器作为实时入侵检测。通过组合各种算法的预测，设计的堆叠模型就F1得分和准确性而言优于先前的方法，同时可以在接近实时（0.1秒）中检测和分类入侵。这项研究还讨论了拟议的基于数字双胞胎的安全框架的实用性和好处。
translated by 谷歌翻译
相机万向节系统在各种空气或水系统中非常重要，用于导航，目标跟踪，安全性和监视等应用。由于在短时间内可以重新讨论给定的视野（FOV），因此对于实时应用，对于实时应用，优选用于实时应用的更高的转向速率（旋转角度）。然而，由于Gimbal和场景之间的相对运动在曝光时间期间，捕获的视频帧可能遭受运动模糊。由于大多数后捕获后应用需要模糊图像，因此实时运动脱棕色是重要的需求。尽管存在盲的去欺诈方法，其旨在从模糊输入中检索潜像，因此它们受到非常高维优化的约束，从而产生大的执行时间。另一方面，对于运动去掩盖的深度学习方法，虽然快速，但不令人满意地概括到不同的域（例如，空气，水等）。在这项工作中，我们解决了基于Gimbal的系统捕获的红外线（IR）图像中实时运动去纹的问题。我们揭示了模糊 - 内核的先验知识如何结合非盲去欺诈方法来实现实时性能。重要的是，我们的数学模型可以利用，以创建具有现实万向动动运动模糊的大型数据集。这种数据集是一种罕见的数据集可以是当代深度学习方法的有价值资产。我们表明，与去纹理中的最先进技术相比，我们的方法更适合实用的基于Gimbal的成像系统。
translated by 谷歌翻译