Повышена точность безопасного метода обучения нейросетей для "умного города"

САНКТ-ПЕТЕРБУРГ, 13 января. //. 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 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. Для работы с данными в сервисах "умного города" активно применяются нейронные сети, которые могут анализировать большие объемы информации. Важная задача в процессе обучения нейросетей - обеспечение безопасности персональных данных пользователей и служебной информации о городских системах.

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.

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.