Mejora de la privacidad en Sistemas Inteligentes de Transporte (ITS) mediante aprendizaje distribuido: caso de estudio sistema de control de emisiones en la zona urbana de Cuenca
Loading...
Date
2024-08-27
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
Currently, the world is transitioning towards an interconnected environment, which has increased the availability of large volumes of data and highlighted the importance of protecting privacy.
In the realm of mobility, ITS are a significant example of how large amounts of data are generated in interconnected networks.
This thesis proposes an architecture based on machine learning techniques, specifically FL, to enhance the privacy of ITS users, with a focus on reducing CO2 emissions in Cuenca, Ecuador.
The methodology employed allows data to remain on users’ local devices, sharing only model parameters, thus ensuring greater privacy protection. The use of various machine learning algorithms facilitates data segmentation and classification, thereby reducing vehicle wait times and contributing to decreased CO2 emissions.
The results obtained show that FL consumes more resources compared to RL. The average CPU usage in FL is significantly higher, with values close to 41 %, in contrast to 16.69 % in RL. Additionally, FL uses 8.52 % more RAM than RL. This indicates that, while FL offers better privacy protection, it can impact system efficiency. Furthermore, the results reveal that in the context of differential privacy, a higher value of ϵ is associated with lower privacy. Therefore, finding an optimal ϵ value is crucial to balance privacy protection with system efficiency in Federated Learning.
Resumen
Actualmente, el mundo está en proceso de transición hacia un entorno interconectado, lo que ha aumentado la disponibilidad de grandes volúmenes de datos y ha subrayado la importancia de proteger la privacidad. En el ámbito de la movilidad, los Intelligent Transportation Systems (ITS) son un ejemplo significativo de cómo se genera una gran cantidad de datos en redes interconectadas.
Este trabajo de titulación propone de arquitectura basada en técnicas de aprendizaje automático, específicamente en el Aprendizaje Federado (FL), para mejorar la privacidad de los usuarios de ITS, con un enfoque en la reducción de emisiones de CO2 en Cuenca, Ecuador.
La metodología empleada permite que los datos permanezcan en los dispositivos locales de los usuarios, compartiendo únicamente los parámetros del modelo, lo que garantiza una mayor protección de la privacidad. El uso de diversos algoritmos de aprendizaje automático facilita la segmentación y clasificación de datos, reduciendo así el tiempo de espera de los vehículos y contribuyendo a la disminución de las emisiones de CO2.
Los resultados obtenidos muestran que el FL consume más recursos en comparación con el Reinforcement Learning (RL). El uso promedio de CPU en FL es notablemente mayor, con valores cercanos al 41 %, en contraste con el 16.69 % del RL. Además, el FL utiliza un 8.52 % más de Memoria RAM que el RL. Esto indica que, aunque el FL ofrece una mayor protección de la privacidad de los datos, puede afectar la eficiencia del sistema. Asimismo, los resultados
revelan que en el contexto de la privacidad diferencial, un mayor valor de ϵ está asociado con una menor privacidad. Por lo tanto, es fundamental encontrar un valor óptimo de ϵ que permita equilibrar la protección de la privacidad con la eficiencia del sistema en el Aprendizaje Federado.
Keywords
Electrónica, Telecomunicaciones, Seguridad de datos, Transportación urbana
Citation
Código de tesis
TET;156
Código de tesis
Grado Académico
Ingeniero en Telecomunicaciones