Федеративное обучение повысило точность прогноза ресурса авиадвигателей и защитило от атак
Международная группа исследователей представила работу, в которой федеративное обучение (FL) применено для прогнозирования остаточного ресурса авиадвигателей. Метод позволяет авиакомпаниям совместно обучать модели, не раскрывая сырые данные телеметрии двигателей. Статья размещена на arXiv.
Авторы рассмотрели два типа неоднородности клиентов. Безвредная неоднородность возникает, когда операторы используют двигатели в разных условиях эксплуатации и сталкиваются с различными типами отказов. Враждебная неоднородность связана с атаками: скомпрометированные операторы загружают отравленные обновления модели.
Для экспериментов использовалась многозадачная одномерная свёрточная нейросеть и структурно не-IID разбиение бенчмарка C-MAPSS — симулятора коммерческого аэрокосмического двигателя. Сравнивались четыре подхода к борьбе с безвредной неоднородностью и пять атак против четырёх методов агрегации. Одна из атак — закладка, маскирующая деградацию двигателя с помощью физически обоснованных значений сенсоров.
Общая персонелизация с общим представлением сократила разрыв между локальной и централизованной моделями примерно на 70%. Для сравнения, проксимальная регуляризация дала 21%, а перевзвешивание на сервере — 10%. Бэкдор-атака достигла 94,9% успеха против стандартного усреднения, при этом точность на чистых данных статистически не изменилась. Это доказывает, что по точности нельзя судить о безопасности модели.
Агрегатор Krum снизил успешность атак на порядок и оказался единственным, кто выстоял против скоординированных злоумышленников. Персонализация сама по себе не даёт защиты. Однако сочетание персонализации с устойчивой агрегацией восстановило надёжность: успех атак упал до 2,8%, при этом точность снизилась незначительно.
Результаты остаются стабильными при разных количествах клиентов и на более сложном наборе данных с шестью условиями эксплуатации. Код и разбиение данных опубликованы для воспроизводимости. Работа подчёркивает важность явной оценки устойчивости к атакам в системах федеративного обучения для критической инфраструктуры.
