earticle

영어

With the recent development of the Internet, various household IoT (Internet of Things) devices such as air purifiers, home CCTV, and refrigerators have been extensively developed and adopted. In the rapidly expanding modern IoT ecosystem, the decentralization of data originating from personal devices and sensors poses challenges for the application of centralized learning models. As an alternative, Federated Learning (FL) enables model training to be distributed to local devices, allowing learning without transmitting personal data to a central server. This paper explores the core principles of FL in the context of IoT, examining issues related to data security and privacy. Furthermore, it delves into real-world applications and success stories, analyzing how FL is currently being applied in practical IoT environments. Lastly, the paper introduces future research directions to facilitate effective implementation of FL.

한국어

최근 인터넷이 발달함에 따라 공기 청정기, 가정용 CCTV, 냉장고 등 가정 내 IoT(Internet Of Things)기기들이 많이 개발되고, 사용되고 있다. 현대의 빠르게 확장되는 IoT 생태계에서 데이터의 분산은 개인 장치 및 센서로부터 비롯되어 중앙 집중식 학습 모델의 적용을 어렵게 만들고 있다. 이에 대한 대안으로써 FL(Federated Learning,연합 학습)은 모델 학습을 로컬 디바이스로 분산 시켜 개인 데이터를 중앙 서버로 전송 하지 않고도 학습이 가능하게 한다. 본 논문에서는 FL의 핵심 원리를 바탕으로 IoT 환경에서 데이터 보안 및 프라이버시 문제를 확인한다, 또한 실제 응용 분야에서의 적용 사례 및 성공 사례를 살펴보며, FL이 실제 IoT환경에서 어떻게 적용 되고 있는지를 분석한다.마지막으로 효과적인 FL구현을 위한 향후 연구 방향을 소개한다.