海中モノのインターネットに向けた、選択的協調集約によるエネルギー効率の高い階層型フェデレーテッド異常検知

要旨: 異常検知は海中インターネット・オブ・アンダーウォーター・シングスにおける中核サービスである。しかし、海中で正確な分散モデルを学習することは困難である。理由は、音響リンクが低帯域であり、エネルギー消費が大きく、さらに直接のセンサから水面への通信をしばしば支えられないためである。このため、標準的なフラット型フェデレーテッドラーニングは、海中での展開において2つの結び付いた制約に直面する。すなわち、(1) 高コストな長距離伝送と、(2) ゲートウェイに到達できるのがセンサの一部だけである場合に参加率が低下することである。本論文は、海中異常検知のためのエネルギー効率の高い階層型フェデレーテッドラーニング枠組みを提案する。これは3つの構成要素に基づく：(i) 実行可能性を考慮したセンサとフォグの関連付け、(ii) 圧縮したモデル更新の伝送、(iii) フォグノード間における選択的な協調集約である。提案する3層アーキテクチャは、コミュニケーションの大部分を短距離クラスタ内に局所化しつつ、より小さなクラスタが近傍のより大きなクラスタの恩恵を受けられる場合に限って、フォグ間の交換を有効化する。検出品質、通信エネルギー、およびネットワーク参加を総合的に評価するために、物理に基づく海中音響モデルを用いる。大規模な合成展開では、200センサの場合においてゲートウェイへ直接到達できるのは約48%のセンサにとどまるが、階層型学習は実行可能なフォグ経路を通じて完全な参加を維持する。選択的協調は、常時オンのフォグ間交換と同等の検出精度を達成しつつ、そのエネルギーを31-33%削減する。また、圧縮アップロードは、整合した感度のテストで総エネルギーを71-95%削減する。さらに、3つの実データベンチマークに対する実験から、低オーバーヘッドの階層型手法が検出品質の点で競争力を維持すること、そしてフラット型フェデレーテッドラーニングが最低エネルギーの運用点を規定することが示される。これらの結果は、厳しい音響通信制約のもとで動作する海中展開に向けた実践的な設計指針を提供する。