FICAD: federated learning-based clustering for IoT data aggregation

Darya AzharShokoufeh

doi:10.1007/s10586-025-05579-4

FICAD: federated learning-based clustering for IoT data aggregation

2025-09-19

0

PRE

AI

D

Darya AzharShokoufeh

N

Nahideh Derakhshanfard *

A

Ali Ghaffari

DOI：10.1007/s10586-025-05579-4

原文链接

原文求助

摘要

En 中文

物联网（IoT）设备的快速发展以及产生的大量数据，凸显了在大规模分布式数据管理和聚合方面对高效方法日益增长的需求。大多数生成数据产生于地理上分布的位置；将此信息中继到中央服务器可能会导致通信成本增加、处理延迟以及网络拥塞加剧等问题。新的策略之一是使用联邦学习（Federated Learning）。采用这种方法，设备执行其模型的本地训练，并仅与中央服务器共享模型参数，从而避免了发送原始数据的需要。此方法不仅降低了通信成本，还显著增强了数据安全性。然而，物联网环境中的联邦学习面临着设备间数据异构性、硬件资源限制、高通信成本以及分布式数据管理复杂性等挑战。本文提出了一种称为FICAD（联邦物联网聚类与数据聚合）的方法，用于物联网特定的数据聚合和模型训练。该解决方案将数据分组到聚类中，并为每个聚类构建本地模型。这些聚合模型随后被传输到中央服务器以生成最终模型并最小化通信开销，使其具备可扩展性。在多种数据集上的实验仿真证实，所提出的方案将预测准确率提高了18%，能效提高了15%，执行时间减少了11%，表明所提出的方法缓解了物联网的挑战。

Keyword:

Internet of things

Clustering

Data aggregation

Federated learning

FICAD: federated learning-based clustering for IoT data aggregation

摘要

期刊

机构

引用论文