Редакция сайта ТАСС
САНКТ-ПЕТЕРБУРГ, 13 января. /ТАСС/. Ученые Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" повысили точность безопасного метода обучения нейросетей для "умного города". Алгоритм достиг в задаче обнаружения киберугроз и сетевых вторжений - 99,98%, сообщили ТАСС в пресс-службе вуза.
"Мы усовершенствовали один из широко используемых алгоритмов для федеративного обучения нейросетей FedBN (Federated via Local Batch Normalization). Его модифицированная версия MFedBN в экспериментах по обучению моделей на датасетах информации с датчиков "умного города" превосходит базовый FedBN. Работоспособность и превосходство предложенного алгоритма над базовыми аналогами были доказаны в ходе серии экспериментов на двух принципиально разных задачах - мониторинге поведения коммерческого транспорта и обеспечении сетевой безопасности. В частности, при тестировании на данных сенсоров грузовых автомобилей алгоритм достиг точности классификации 85%, а в задаче обнаружения киберугроз и сетевых вторжений - 99,98%", - привели в пресс-службе слова руководителя исследовательского проекта, проректора по цифровой трансформации СПбГЭТУ "ЛЭТИ" Ивана Холода.
Уточняется, что в задачи "умного города" входит интеграция большого количества информационных потоков, исходящих от разных источников - начиная с сотовых телефонов, и заканчивая камерами видеонаблюдения
Как рассказали в пресс-службе, одним из новых подходов является федеративное обучение - метод машинного обучения, который позволяет "тренировать" нейросеть на множестве разрозненных устройств без необходимости передавать их локальные данные на единый сервер, то есть вместо того чтобы отправлять "сырые" данные в централизованное облако, каждое устройство обучает модель на своих данных локально. Затем устройства отправляют на сервер только обновления параметров нейросети. Таким образом, федеративное обучение сохраняет конфиденциальность данных.
Что предложили ученые
По данным пресс-службы, главная инновация MFedBN заключается в усовершенствовании механизма сбора информации на сервере: вместо традиционного усреднения данных моделей, полученных от клиентов, новый алгоритм использует градиентный подход с контролируемой скоростью обучения локальных моделей. Это позволяет глобальной модели более плавно и устойчиво адаптироваться к локальным особенностям данных, избегая резких колебаний, свойственных стандартным методам при работе с разнородной информацией.
Дополнительным вкладом ученых ЛЭТИ стала разработка новой методологии генерации наборов данных, которая позволяет моделировать реалистичные сценарии распределения информации для более качественного тестирования систем федеративного обучения.
Комментарии