MiniNetFED: Uma Ferramenta para Emulação e Análise de Aprendizado Federado com Dispositivos Heterogêneos

• Johann Jakob Schmitz Bastos UFES
• Eduardo Montagner de Moraes Sarmento UFES
• Rodolfo da Silva Villaça UFES
• Vinícius F. S. Mota UFES

DOI: https://doi.org/10.5753/sbrc_estendido.2024.3226

Resumo

Este artigo apresenta o MiniNetFed, uma ferramenta de emulação de um ambiente com dispositivos heterogêneos para análise de algoritmos de aprendizado federado. A ferramenta permite aos usuários definirem: i) modo de divisão do conjunto de dados entre os dispositivos; ii) políticas de seleção de clientes; iii) função de agregação de modelos; iv) utilizar modelos para os principais datasets disponíveis; e v) visualizações gráficas das principais métricas de desempenho. Por fim, além do potencial educacional, o MiniNetFed foi projetado de forma que novos algoritmos e modelos sejam facilmente estendidos, permitindo que pesquisadores implementem e avaliem suas propostas.

Referências

(2013). Wearable computing: Classification of body postures and movements (puc-rio). [link]. Data Set Source: Pontifical Catholic University of Rio de Janeiro (PUC-Rio).

Chen, H., Huang, S., Zhang, D., Xiao, M., Skoglund, M., and Poor, H. V. (2022). Federated learning over wireless iot networks with optimized communication and resources. IEEE Internet of Things Journal, pages 1–1.

Hosseinzadeh, M., Hudson, N., Heshmati, S., and Khamfroush, H. (2022). Communication-loss trade-off in federated learning: A distributed client selection algorithm. In IEEE Consumer Communications & Networking Conf., pages 1–6.

Malekzadeh, M., Clegg, R. G., Cavallaro, A., and Haddadi, H. (2018). Protecting sensory data against sensitive inferences. In Privacy by Design in Distributed Systems. ACM.

McMahan, B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Artificial Intelligence and Statistics, pages 1273–1282. PMLR.

Minerva, R., Biru, A., and Rotondi, D. (2015). Towards a definition of the internet of things (iot). IEEE Internet Initiative, 1(1):1–86.

Peuster, M., Karl, H., and van Rossem, S. (2016). Medicine: Rapid prototyping of production-ready network services in multi-pop environments. In IEEE Conference on Network Function Virtualization and Software Defined Networks, pages 148–153.

Sarmento, E. M. M. et al. (2024). Privacidade e comunicação eficiente em aprendizado federado: Uma abordagem utilizando estruturas de dados probabilísticas e seleção de clientes. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos.

Souza, A. et al. (2023). Dispositivos, eu escolho vocês: Seleção de clientes adaptativa para comunicação eficiente em aprendizado federado. In Anais do XLI Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 1–14. SBC.

Tran, N. H., Bao, W., Zomaya, A., Nguyen, M. N. H., and Hong, C. S. (2019). Federated learning over wireless networks: Optimization model design and analysis. In IEEE INFOCOM 2019 - IEEE Conference on Computer Communications, pages 1387–1395.