Overcoming non-IID data and Communication overhead in Federated Learning using Fog Computing at IoT Environment. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Basmah Alotaibi - Thesis.pdf Restricted to Repository staff only until 23 June 2026. Download (7MB)

Arabic Abstract

أدى التطور السريع لأجهزة إنترنت الأشياء إلى النمو الهائل للبيانات التي تولدها هذه الأجهزة. يمكن استخدام هذه البيانات لتدريب النماذج لتوفير الذكاء لتطبيقات إنترنت الأشياء. يواجه استخدام أساليب التعلم الآلي التقليدية التي تتطلب جمع البيانات في موقع مركزي العديد من المشكلات مثل اتصالات الشبكة وخصوصية البيانات. لذلك، تم اقتراح التعلم الفيدرالي لتمكين التعلم الموزع من خلال تدريب النماذج المحلية على الأجهزة وتجميعها في الخادم المركزي لبناء النموذج العالمي. على الرغم من إمكاناته الكبيرة، يواجه التعلم الفيدرالي العديد من التحديات. يتم تدريب النماذج المحلية باستخدام مجموعة بيانات الأجهزة، والتي عادةً ما تكون بيانات غير مستقلة وموزعة بشكل متطابق، مما يؤثر على أداء النموذج العالمي. أيضًا، يمكن أن تؤثر موارد أجهزة إنترنت الأشياء المحدودة وقيود الشبكة على عملية التعلم الفيدرالي. في هذه الأطروحة، نهدف إلى استخدام الحوسبة الضبابية للتغلب على البيانات غير المستقلة وتوفير اتصال فعال في التعلم الفيدرالي. تقترح هذه الأطروحة نهج التعلم الفيدرالي القائم على الضباب (FFL) الذي يدرب النموذج في عقد الضباب. تتلقى عقد الضباب هذه البيانات من أجهزة إنترنت الأشياء وتشارك النموذج المدرب مع الخادم المركزي في السحابة للتجميع العالمي. علاوة على ذلك، في هذه الأطروحة، نقترح مخططًا للزيادة للتغلب على مشكلة انحراف توزيع العلامات. تم تقييم أداء العمل المقترح في ظل إعدادات مختلفة، وتوضح النتائج أن النهج المقترح يعزز أداء النموذج ويتقارب بشكل أسرع مع تكلفة اتصال أقل.

English Abstract

The rapid development of the Internet of Things devices has led to the explosive growth of data generated by these devices. These data can be used to train models to provide intelligence for IoT applications. Using traditional machine learning approaches that require the data to be collected at a central location faces many issues like network communication and data privacy. For that, Federated Learning was proposed to enable distributed learning by training local models on the devices and aggregating them at the central server to build the global model. Despite its great potential, federated learning faces many challenges. The local models are trained using the devices' dataset, which is usually non-Independent, Identically Distributed data, impacting the global model performance. Also, the IoT devices limited resources and network constraints can affect the federated learning process. In this thesis, we aim to use fog computing to overcome the non-IID data and provide an efficient communication in federated learning. This thesis proposes a Fog-based Federated Learning (FFL) approach that trains the model at the fog nodes. These fog nodes receive the data from IoT devices and share the trained model with the central server in the cloud for global aggregation. Furthermore, in this thesis, we propose an augmentation scheme to overcome the problem of label distribution skew. The performance of the proposed work has been evaluated under different settings, and the results demonstrate that the proposed approach enhances the model performance and converges faster with less communication cost.

Item Type:	Thesis (PhD)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	Alam Khan, Fakhri
Committee Members:	Sheltami, Tarek and Niazi, Mahmood Khan and Mahmood, Sajjad and Ahmed, Moataz
Depositing User:	BASMAH ALOTAIBI (g202008360)
Date Deposited:	23 Jun 2025 06:25
Last Modified:	23 Jun 2025 06:25
URI:	http://eprints.kfupm.edu.sa/id/eprint/143571