Apprentissage fédéré pour les réseaux IoMT : optimisation des ressources et mécanismes de confidentialité

Federated learning for IoMT networks: resource optimization and privacy mechanisms

• Auteur / Autrice : Meriem Arbaoui
• Direction : Mourad Zghal, Abdellatif Rahmoun
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Paris, HESAM en cotutelle avec École nationale supérieure d'informatique
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : Laboratoire : CESI LINEACT - Laboratoire d'Innovation Numérique
• Partenaire(s) de recherche : établissement de préparation de la thèse : Paris, ENSAM

Mots clés

Mots clés libres

Apprentissage fédéré

Confidentialité

Sécurité

Optimisation

Architecture distribuée

Federated learning

Privacy

Security

Optimization

Distributed architecture

Résumé

Avec les avancées notables dans les domaines du Big Data, de l'Internet des objets (IoT) et de l'Intelligence Artificielle (IA), les systèmes d'aide à la décision et les services intelligents, en particulier dans le domaine de la santé, ont été traditionnellement basés sur des architectures centralisées où les données de différentes entités sont transmises à un serveur distant pour construire des modèles IA solides. Cependant, cette approche soulève des inquiétudes majeures en termes de confidentialité des données et de consommation d'énergie. Dans ce contexte, l'Apprentissage Fédéré (FL) émerge comme une alternative décentralisée attrayante. Il permet à un ensemble de participants (clients) de collaborer via un serveur agrégateur sans avoir à partager leurs données brutes, permettant ainsi de construire un modèle ML puissant en combinant les connaissances locales. Cependant, le FL présente également ses propres défis. Il est ainsi crucial de garantir la confidentialité des paramètres des modèles partagés, car leur divulgation pourrait entraîner des reconstructions non autorisées des données. De plus, les capacités limitées des dispositifs IoMT en termes d'énergie, de calcul, et de stockage posent de véritables obstacles, souvent aggravés en raison des communications fréquentes entre les clients et le serveur, ainsi que des échanges de modèles très volumineux. Dans ce projet doctoral doctoral, nous nous concentrons sur l'optimisation du FL dans le secteur de la santé en concevant une architecture adaptée aux réseaux IoMT basée sur le Cloud et ses extensions (Fog et Edge). Notre objectif principal est de développer un protocole d'apprentissage collaboratif qui garantit la confidentialité des modèles et la sécurité des transmissions, tout en minimisant la consommation de ressources. Des expérimentations approfondies seront menées pour évaluer les performances et l'efficacité de l'algorithme d'agrégation proposé, afin de valider notre solution globale.

With notable advancements in Big Data, the Internet of Things (IoT), and Artificial Intelligence (AI), decision support systems and intelligent services, especially in the healthcare domain, have conventionally relied on centralized architectures where data from diverse entities is transmitted to a remote server for constructing robust AI models. However, this approach evokes significant concerns pertaining to data confidentiality, system security, and energy consumption. In this context, Federated Learning (FL) emerges as an attractive decentralized alternative. It empowers a group of participants (clients) to collaborate via the coordination of an aggregator server without sharing their raw data, thereby enabling the construction of a potent ML model by amalgamating local expertise. Nevertheless, FL presents its own set of challenges. Ensuring the confidentiality of shared model parameters becomes pivotal, as their exposure could result in unauthorized data reconstructions. Moreover, the constrained capabilities of IoMT devices concerning energy, computation, and storage pose formidable hindrances, often exacerbated by frequent client-server communications and the exchange of voluminous ML models. In this doctoral thesis, our primary focus revolves around optimizing FL within the healthcare sector by designing an architecture tailor-made for IoMT networks, encompassing the Cloud as well as its extensions (Fog and Edge computing). Our foremost objective entails implementing a collaborative learning protocol that guarantees model confidentiality and transmission security while minimizing resource consumption. Extensive experiments will be conducted to evaluate the performance and efficiency of the proposed aggregation algorithm, thereby validating our comprehensive solution.