隨著開發(fā)團隊爭相開發(fā)AI工具，在邊緣設備上訓練算法變得越來越普遍。聯(lián)合學習(Federated learning)是分布式機器學習的子集，是一種相對較新的方法，它允許公司在不顯式訪問原始用戶數(shù)據(jù)的情況下改進其AI工具。

[[330792]]

谷歌于2017年構(gòu)想的聯(lián)合學習是一種去中心化學習模型，通過該模型可以在邊緣設備上訓練算法。關(guān)于Google的“設備上機器學習(on-device machine learning)”方法，這家搜索巨頭將其預測文本算法推到了Android設備上，匯總了數(shù)據(jù)，并將新知識的摘要發(fā)送回了中央服務器。為了保護用戶數(shù)據(jù)的完整性，此數(shù)據(jù)是通過同態(tài)加密或差分隱私傳遞的，這是對數(shù)據(jù)添加噪音以使結(jié)果模糊的一種做法。

一般來說，通過聯(lián)合學習，可以對AI算法進行訓練，而無需識別任何個人用戶的特定數(shù)據(jù)。實際上，原始數(shù)據(jù)永遠不會離開設備本身，僅匯總的模型更新會發(fā)回。這些模型更新隨后在交付到中央服務器后解密。然后，將更新后的模型的測試版本發(fā)送回選定的設備。在重復此過程數(shù)千次之后，顯著改善了AI算法，同時又從未危及用戶隱私。

這項技術(shù)有望在醫(yī)療領域掀起波瀾。例如，醫(yī)學初創(chuàng)公司Owkin目前正在探索聯(lián)合學習。為了利用來自多個醫(yī)療機構(gòu)的患者數(shù)據(jù)，Owkin使用聯(lián)合學習，用來自不同醫(yī)院的數(shù)據(jù)構(gòu)建c算法。這可能會產(chǎn)生深遠的影響，特別是因為醫(yī)院能夠彼此共享疾病進展數(shù)據(jù)，同時保持患者數(shù)據(jù)的完整性并遵守HIPAA法規(guī)，這是非常寶貴的。醫(yī)療保健絕不是唯一采用這項技術(shù)的部門;聯(lián)合學習將越來越多地被自動駕駛汽車公司、智慧城市、無人駕駛飛機和金融科技組織所使用。其他幾家聯(lián)合學習初創(chuàng)公司即將上市，包括Snips、S20.ai和Xnor.ai公司，后者最近被蘋果收購。

潛在問題

中間人攻擊(Man-In-The-Middle Attacks)

鑒于這些AI算法值得大量投資，因此預計這些模型將成為黑客有利可圖的目標。 邪惡的黑客可能將嘗試進行中間人攻擊。但是，如前所述，通過添加噪聲并匯總來自各種設備的數(shù)據(jù)，然后對這些匯總數(shù)據(jù)進行加密，公司可能會使黑客很難做到這一點。

模型中毒(Model Poisoning)

可能更令人擔憂的是使模型本身中毒的攻擊。可以想象，黑客可以通過自己的設備或通過接管網(wǎng)絡上其他用戶的設備來破壞模型。具有諷刺意味的是，由于聯(lián)合學習聚集了來自不同設備的數(shù)據(jù)，并將加密的摘要發(fā)送回中央服務器，因此通過后門進入的黑客得到了一定程度的掩蓋。因此，很難(即使不是不可能)識別異常的位置。

帶寬和處理限制

盡管設備上的機器學習有效地訓練算法而不暴露原始用戶數(shù)據(jù)，但它確實需要大量的本地電源和內(nèi)存。公司試圖通過僅在設備空閑，充電或連接到Wi-Fi時在邊緣上訓練其AI算法來規(guī)避這一問題;然而，這是一個永恒的挑戰(zhàn)。

5G的影響

隨著5G在全球的擴展，邊緣設備將不再受到帶寬和處理速度限制的限制。根據(jù)諾基亞最近的一份報告，4G基站每平方公里可支持10萬臺設備。而即將到來的5G基站將在同一地區(qū)支持多達100萬個設備。通過增強的移動寬帶和低延遲，5G將提供能源效率，同時促進設備到設備通信(D2D)。實際上，據(jù)預測，5G將帶來10-100倍的帶寬增加和5-10倍的延遲減少。

當5G變得更加流行時，我們將體驗到更快的網(wǎng)絡、更多的端點和更大的攻擊面，這可能會吸引DDoS攻擊的涌入。5G還具有切片功能，可以根據(jù)用戶的需要輕松創(chuàng)建、修改和刪除切片(虛擬網(wǎng)絡)。根據(jù)一份關(guān)于5G破壞性力量的研究，這種網(wǎng)絡切片組件是否會減輕安全擔憂，還是會帶來一系列新問題，還有待觀察。

總而言之，從隱私和安全的角度來看，出現(xiàn)了新的擔憂;然而，事實仍然是：5G最終對聯(lián)合學習是一個福音。