A Multi-Layer Trusted Federated Learning System for Heterogeneous IoT Environments. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Ph.D. Dissertation_MuminOmarAdam_201708690.pdf Restricted to Repository staff only until 21 January 2027. Download (7MB)

Arabic Abstract

تستعرض هذه الرسالة الأسس النظرية للتعلّم الاتحادي FL) Learning (Federated وتقدّم مسحًا شاملًا لأحدث الدراسات المتعلقة بتطبيقه في بيئات إنترنت الأشياء (IoT) محدودة الموارد. يبيّن هذا الاستعراض التحديات الجوهرية التي تعاني منها نماذج التعلّم الاتحادي التقليدية، مثل اختناقات الاتصال، وارتفاع استهلاك الطاقة، وتأثير العملاء المتأخرين، ومشكلة عدم تجانس البيانات (Non-IID)، إضافةً إلى قابلية التعرّض لهجمات تسميم البيانات. وانطلاقًا من هذه التحديات، تقترح الرسالة بنية تعلّم اتحادي متعددة الطبقات تهدف إلى تحسين الكفاءة، وقابلية التوسع، والموثوقية في شبكات إنترنت الأشياء الكثيفة وغير المتجانسة. ولمعالجة قيود الاتصال والطاقة، تم تطوير إطار تعلّم اتحادي متعدد الطبقات مدعوم بنقاط الوصول الموزعة (DAP-MFL)، يعتمد على هيكل هرمي يضم طبقات العميل، والحافة، والضباب، والسحابة، مع توظيف معيار IEEE) 802.11ah (Wi-Fi HaLow. يتيح هذا الإطار تنفيذ عمليات تجميع للنماذج تراعي موارد الشبكة، مما يؤدي إلى خفض كبير في زمن التدريب واستهلاك الطاقة للأجهزة. علاوةً على ذلك، تم تصميم ثلاث استراتيجيات لإدارة فتحات الوصول المقيدة (RAW-slots)، وهي: التخصيص الصارم مع الإسقاط (SSAD)، والاستبدال الانتقائي مع الإدراج التدريجي (SRGI)، ونهج التناوب الدوري (RR)، بهدف تحسين عدالة المشاركة وكفاءة استغلال القناة اللاسلكية في ظل القيود العملية. وتُظهر النتائج التجريبية تحسنًا ملحوظًا في الأداء، حيث تم تحقيق خفض يصل إلى 97٪ في زمن الاستجابة و95٪ في استهلاك الطاقة، مع الحفاظ على دقة تنافسية عند التعامل مع مجموعات بيانات غير متجانسة. وبالنظر إلى أن التعلّم الاتحادي متعدد الطبقات يزيد من مخاطر انتشار التحديثات الخبيثة أو الملوّثة، تقترح الرسالة إطار تعلّم اتحادي موثوق متعدد الطبقات. يدمج هذا الإطار آلية ANCHOR، وهي آلية دفاع هرمية قائمة على السمعة، تقوم بالتحقق متعدد المستويات عبر طبقات العميل، والحافة، والضباب، والسحابة. وتثبت ANCHOR فعاليتها حتى في حال تجاوز نسبة العملاء الخبيثين 60٪ من إجمالي المشاركين، دون الحاجة إلى افتراضات مسبقة أو تحديد حد أعلى لنسبة المهاجمين في النظام. كما ينجح نظام الدفاع في كشف محاولات التسميم وكبحها في مراحل التجميع المبكرة، مما يحافظ على سلامة النموذج العالمي ويضمن استقرار عملية التقارب حتى في البيئات العدائية

English Abstract

This dissertation reviews the foundations of Federated Learning (FL) and provides a comprehensive state-of-the-art survey on its application within resource-constrained Internet of Things (IoT) environments. This analysis highlights the critical limitations of conventional FL, including communication bottlenecks, high energy consumption, straggler effects, non-IID data challenges, and vulnerability to poisoning attacks. Motivated by these gaps, we propose a multilayer FL architecture designed to enhance the efficiency, scalability, and resilience of heterogeneous and dense IoT networks. To address communication and energy constraints, a Distributed AP-Assisted Multilayer Federated Learning (DAP-MFL) framework is developed. This framework leverages a client–edge–fog–cloud hierarchy in conjunction with IEEE 802.11ah (Wi-Fi HaLow), enabling resource-aware model aggregation and significantly reducing the training latency and device power usage. Furthermore, we design three RAW-slot management strategies: Strict Slot Assignment with Dropping (SSAD), Selective Replacement with Gradual Inclusion (SRGI), and Round Robin (RR), to efficiently manage limited channel access opportunities and improve participation fairness under practical wireless constraints. Experimental simulations demonstrate substantial performance gains, with reductions of up to 97% in latency and 95% in energy consumption, while preserving competitive accuracy across non-IID datasets. Moreover, recognizing that multilayer FL introduces the added risk of propagating malicious or corrupted model updates, we develop an enhanced Multilayer Trusted FL framework. This framework incorporates ANCHOR, a Hierarchical Reputation-Based Defense, that performs multi-layer verification across client, edge, fog, and cloud tiers. Anchor remains effective even when a majority of participating clients, exceeding 60%, are malicious, without requiring any prior assumption or upper bound on the proportion of poisoning clients in the system. The defense system effectively identifies and suppresses poisoning attempts at early aggregation layers, thereby preserving global model integrity and maintaining stable convergence even under adversarial conditions.

Item Type:	Thesis (PhD)
Subjects:	Computer Systems Engineering Research
Department:	College of Computing and Mathematics > Computer Engineering
Committee Advisor:	Baroudi, Uthman
Committee Members:	Abdallah, Mohamed and Mahmoud, Ashraf S. and Mujahid, S.N. and Al-Awami, Louai Adnan
Depositing User:	MUMIN ADAM (g201708690)
Date Deposited:	22 Jan 2026 10:43
Last Modified:	22 Jan 2026 10:43
URI:	http://eprints.kfupm.edu.sa/id/eprint/144045