A aquisição cada vez maior de informações pessoais para personalização de serviços coloca em cheque a privacidade dos usuários. No contexto do aprendizado federado, a privacidade pode ser preservada com o compartilhamento apenas de pesos sinápticos de redes neurais entre clientes e servidores. Este trabalho avalia o impacto de diferentes parâmetros de redes de computadores no desempenho de modelos de aprendizado federado em um cenário composto por clientes móveis. Para isso, o desempenho das redes neurais convolucionais para classificação de imagens é considerado com o uso do conjunto de dados CIFAR-10. Os experimentos realizados utilizam o framework Flower para avaliar parâmetros comuns em redes móveis como latência, conectividade, volume de dados e disponibilidade dos clientes. Os resultados indicam que, além do aumento no tempo total de treinamento, um aumento no número de usuários desconectados em uma rodada de treinamento pode até mesmo reduzir o desempenho do modelo federado. Esses resultados reforçam a necessidade de orquestração cliente-servidor para adaptação dinâmica às condições de rede.
Este minicurso tem por objetivo apresentar de forma clara e concisa os conceitos técnicos, desafios e aplicações de técnicas de aprendizado profundo nas chamadas Redes Desafiadoras. Essas redes são caracterizadas pelo excesso de dados produzidos e consequente complexidade de operação. Diferente dos minicursos anteriores, este minicurso foca na revisão da literatura relacionada à aplicação de técnicas de aprendizado profundo na solução de problemas complexos das Redes Desafiadoras. Para tanto, este minicurso apresenta e discute os principais conceitos e algoritmos relacionados ao aprendizado de máquina, com foco no aprendizado profundo. Em seguida, a literatura relativa à aplicação desses algoritmos em redes, como redes de Internet das Coisas e de sensores, redes sem fio móveis, redes industriais e redes veiculares é revisada. Este minicurso também apresenta viés experimental, oferecendo um estudo de caso como exercício prático para que os participantes tenham a oportunidade de se debruçar sobre um problema real.
As vulnerabilidades de dispositivos IoT os tornam um alvo simples para invasão e controle por parte de atacantes. Ao mesmo tempo, a dinamicidade das redes IoT dificulta o desenvolvimento de sistemas de segurança baseados em regras. Este cenário é um convite ao emprego de técnicas de aprendizado de máquina. No entanto, a escassez de conjuntos de dados públicos torna-se um entrave para a avaliação da detecção de ataques a redes IoT. Ainda, observa-se que os desempenhos de modelos de aprendizado não são comparados quantitativamente, o que pode afetar a validade das conclusões. Este trabalho, então, avalia os desempenhos de múltiplos modelos de aprendizado de máquina tradicionais e profundos, em traces públicos, para a detecção de ataques. Modelos como redes neurais convolucionais, recorrentes e autoassociativas são usados. A comparação mostra que traces organizados por fluxo ou por pacote têm influência direta na escolha de técnicas para detecção. Além disso, redes neurais autoassociativas profundas se mostram efetivas para detectar ataques online.
Este trabalho propõe o LabSensing, um sistema de sensoriamento distribuído para monitoramento de laboratórios científicos. O LabSensing utiliza uma estratégia de comunicação assíncrona para transferência de dados e reduz o tráfego injetado na rede através de políticas de eliminação de dados redundantes nas bordas. As motivações técnicas que levaram à escolha das ferramentas, assim como o processo e desenvolvimento do sistema a partir da arquitetura proposta são discutidos. Os resultados experimentais mostram o funcionamentodo sistema e a efetividade obtida com a computação nas bordas para redução da carga de dados na rede.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.