IoT 환경에서 IPFS를 기반으로 한 안전한 연합학습 구조

Abstract

As the number of Internet of Things (IoT) has grown exponentially, people around the world have been able to handle various tasks of everyday life through IoT. The amount of data produced every hour by individuals using IoT devices has also increased. There have been many attempts to use these IoT big data for various ways and to combine IoT with machine learning, especially deep learning to process these large amount of data produced daily. Machine learning is an algorithm that receives data as input and determines the output through neurons of the model. However, due to the problem of sending individual data to the center authority, machine learning has the disadvantage of being vulnerable to privacy. As a result, federated learning emerged, which is a method of sending only learning parameters to the center after each user's training, but it still has various problems such as data poisoning attacks. In this paper, we aim to construct an efficient and secure federated learning environment using adversarial generative neural networks and Interplanetary File System(IPFS), while minimizing the impact of possible poisoning attack. The roles of A-Node and T-Node are divided in the learning process. T-Node does training using actual raw data. A-Node sums and verifies the weights of T-Nodes and exports them to a global model. In this process, A-T score system prevents A-Node and T-Node from manipulating each other's accuracy results. In this process, datasets and weights are shared through IPFS. Nodes with high accuracy receive more incentives and can increase the learning motivation and efficiency of the overall network. Finally, through simulations, the efficiency of the method is verified.;IoT의 수가 기하급수적으로 증가함에 따라, 전세계의 사람들이 IoT를 통해서 일상생활의 다양한 일을 처리할 수 있게 되었다. 이에 따라, 각 디바이스를 사용하는 개인들이 매시간 생산하는 데이터의 양도 늘게 되었다. 이렇게 만들어지는 데이터의 양은 사람이 수동적으로 처리할 수 있는 한계를 넘어, 그 분석을 위해서는 기계의 힘을 필요로 하게 되었다. 이렇게 날마다 축적되는 빅데이터를 효율적으로 처리하기 위해 4차 산업혁명 시대에서는 머신러닝, 인공지능이 대두되었다. 머신러닝은 입력값으로 데이터를 받아 모델을 구성하는 뉴런을 거치고, 최종적으로 입력값에 대한 판단을 출력값으로 산출하는 알고리즘이다. 그러나 기존의 머신러닝은 중앙으로 데이터를 보내야하는 문제점 때문에 사용자의 데이터 프라이버시에 취약하다는 단점이 있었다. 이에 연합학습이 등장하여, 사용자가 가지고 있는 데이터를 각자 학습한 뒤에 학습 파라미터만을 중앙으로 보내는 방법을 제안했다. 그러나 연합학습도 여전히 다양한 공격에 대한 취약점을 안고있는 실정이다. 본 연구에서는 연합학습에 대한 데이터 포이즈닝 어택의 영향을 최소화하는 동시에, 적대적 생성 신경망과 IPFS를 사용하여 효율적이고 안전한 연합학습 환경을 구성하고자 한다. 해당 연구에서는 Leader Node, A-Node와 T-Node의 역할을 나누어 연합학습을 진행한다. Leader Node는 연합학습 프로젝트를 개시하고 총괄하는 노드이고, T-Node는 실제 Raw 데이터를 활용하여 학습을 하는 주체이며, A-Node는 T-Node들의 가중치를 합산하고 글로벌 모델로 내보내는 존재이다. 이 과정에서 해당 연구는 A-T 스코어를 통해, 점수가 높은 순서대로 글로벌 모델의 합산 과정에서 각 노드에게 이득을 부여하며 A-Node와 T-Node가 서로의 점수를 조작하지 못하도록 한다. 이 과정에서 데이터셋 및 가중치의 공유는 IPFS를 통해 진행된다. 정확도 점수가 높은 노드들은 더 많은 인센티브를 받고, 이는 전체적인 네트워크의 학습 의욕과 효율을 증진시킨다. 마지막에는 연합학습과 관련 시뮬레이션을 통해, 해당 방법의 정확성을 검증한다.