Energy Optimization and Security in Federated Learning for IoT Environments
Langue : anglais
Edité par Institution of Engineering and Technology, GB, 2025
- Livre relié
- Neuf
Vendeur : Rarewaves.com USA, London, London, Royaume-UniRarewaves.com USA
Vendeur AbeBooks depuis 11 juin 2025
Etat: Neuf
EUR 175,83
Quantité disponible : Plus de 20 disponibles
Ajouter au panierA propos de cet article
Smart environments such as smart homes and industrial automation have been transformed by the rapid developments in internet of things (IoT) devices and systems. However, the widespread use of these devices poses significant difficulties, particularly in settings with limited energy resources. Due to the significant energy consumption and communication overhead associated with delivering huge amounts of data, traditional machine learning algorithms which rely on centralized cloud servers for training are not always suitable. Federated learning is a decentralized strategy that enables collaborative machine learning model training while keeping the data local on edge devices. It has emerged as a suitable solution to overcome the energy constraints of IoT devices. Federated learning works by dividing the training process among several nodes and using the processing power of edge devices. As opposed to sending raw data to a central server, only the model changes are communicated thereby considerably lowering the communication costs while protecting data privacy. This strategy reduces energy usage while simultaneously reducing network latency and bandwidth-related problems. In this book, the authors show how to optimise federated learning algorithms and develop new communication protocols and resource allocation methodologies to maximize energy savings while retaining respectable model accuracy, to develop long-lasting and scalable IoT solutions that can function independently with no dependency on an external cloud infrastructure. Energy Optimization and Security in Federated Learning for IoT Environments is intended to be a useful resource for academic researchers, RandD professionals, IoT engineers in the IT industry, and data scientists creating optimised AI models to be run in cloud environments.…
N° de réf. du vendeur LU-9781839539626
- Titre
- Energy Optimization and Security in Federated Learning for IoT Environments
- Auteur
- Balamurugan Balusamy, Balamurugan Balusamy
- Éditeur
- Institution of Engineering and Technology, GB
- Année de publication
- 2025
- État de l'article
- New
- Reliure
- Hardback
- Langue
- anglais
- ISBN à 10 chiffres
- 1839539623
- ISBN à 13 chiffres
- 9781839539626
- Dimensions
- 15.6 x 2.06 x 23.39 cm
Smart environments such as smart homes and industrial automation have been transformed by the rapid developments in internet of things (IoT) devices and systems. However, the widespread use of these devices poses significant difficulties, particularly in settings with limited energy resources. Due to the significant energy consumption and communication overhead associated with delivering huge amounts of data, traditional machine learning algorithms which rely on centralized cloud servers for training are not always suitable.
Federated learning is a decentralized strategy that enables collaborative machine learning model training while keeping the data local on edge devices. It has emerged as a suitable solution to overcome the energy constraints of IoT devices. Federated learning works by dividing the training process among several nodes and using the processing power of edge devices. As opposed to sending raw data to a central server, only the model changes are communicated thereby considerably lowering the communication costs while protecting data privacy. This strategy reduces energy usage while simultaneously reducing network latency and bandwidth-related problems.
In this book, the authors show how to optimise federated learning algorithms and develop new communication protocols and resource allocation methodologies to maximize energy savings while retaining respectable model accuracy, to develop long-lasting and scalable IoT solutions that can function independently with no dependency on an external cloud infrastructure.
Energy Optimization and Security in Federated Learning for IoT Environments is intended to be a useful resource for academic researchers, R&D professionals, IoT engineers in the IT industry, and data scientists creating optimised AI models to be run in cloud environments.
« Synopsis » peut appartenir à une autre édition de cet ouvrage.
À propos de l’auteur
Balamurugan Balusamy is the associate dean of student engagement at Shiv Nadar University, Delhi-NCR, India. His research focuses on cybersecurity, blockchain, data science, cloud environments, IoT, and engineering education. He has published over 200 papers, contributed to 80 edited and authored books, and given 200 talks at international events and symposiums. He serves in the advisory committee for several start-ups and forums and does consultancy work for the industry on Industrial IoT. He holds a PhD degree in 'Investigations of Cloud Computing Access Control Techniques' from VIT University, Vellore, India.
Daniel Arockiam is an associate professor in the Department of Computer Science and Engineering at Amity University, Gwalior, Madhya Pradesh, India. His research areas include neural networks, AI, ML, DL, FL, and cloud computing. He has published 45 papers in international journals and conferences. He is a member of CSTA, IFERP, and IAEng. He was a member of the organising committee for GuCon 2019 and 2020 conferences. He holds a PhD degree in 'Hybrid Approaches to Optimise the Performance of Load Balancing and Task Scheduling in Cloud Environment' from Shri Venkateshwara University, India.
Pethuru Raj is a chief architect and the vice president of Reliance Jio Platforms Ltd. Bangalore, India. He focuses on the Internet of Things (IoT); artificial intelligence; big data analytics, blockchain, digital twins; edge, fog, and cloud computing; reliability engineering; microservices architecture (MSA), 5G and 6G, and event-driven architecture (EDA). He previously worked at IBM global Cloud Center of Excellence (CoE), Wipro Consulting Services (WCS), and Robert Bosch Corporate Research (CR). He has authored and edited 35+ books and contributed to 35 book chapters. He is a member of ACM. He holds a PhD degree on 'Formal Language Theory and Finite Automata' from Anna University, Chennai, India.
« A propos de ce titre » peut appartenir à une autre édition de cet ouvrage.
Rarewaves.com USA
London, London, Royaume-Uni
Vendeur AbeBooks depuis 11 juin 2025
Frais d'expédition de Royaume-Uni vers Etats-Unis
| Article | 10 à 15 jours ouvrés | 10 à 15 jours ouvrés |
|---|---|---|
| Premier article | EUR 0,00 | EUR 0,00 |
Modes de paiement
Profil professionnel du vendeur
RAREWAVES.COM LIMITED
Elsley Court, 20-22 Great Titchfield Street
London, Royaume-Uni W1W 8BE
Droit de rétractation
Si vous êtes un consommateur, vous pouvez exercer votre droit de rétractation sur le contrat conformément à ce qui suit. Le mot « consommateur » désigne toute personne physique agissant à des fins qui n'entrent pas dans le cadre de son activité commerciale, artisanale ou professionnelle.
Informations concernant le droit de rétractation
Droit statutaire de rétractation
Vous avez le droit d'exercer votre droit de rétractation sur ce contrat dans les 14 jours sans donner de raison.
Le délai de rétractation expirera au bout de 14 jours à compter du jour où vous-même, ou un tiers autre que le transporteur et désigné par vous, prendrez physiquement possession de la dernière marchandise, du dernier lot ou de la dernière pièce.
Pour exercer votre droit de rétractation, remplissez électroniquement et envoyez une déclaration claire sur notre site Web, sous « Vos achats » dans « Votre compte ». Nous vous communiquerons sans délai un accusé de réception de cette rétractation sur un support durable (par exemple, par e-mail).
Pour respecter le délai de rétractation, il vous suffit d'envoyer votre message concernant l'exercice de votre droit de rétractation avant l'expiration du délai de rétractation.
Effets de la rétractation
Si vous exercez votre droit de rétractation sur ce contrat, nous vous rembourserons tous les paiements que vous avez effectués, y compris les frais de livraison (à l'exception des frais supplémentaires résultant du choix d'un mode de livraison autre que le type de livraison standard le moins cher que nous proposons).
Nous pouvons déduire du remboursement la perte de valeur de toute marchandise livrée, si la perte est le résultat d'une manipulation inutile de votre part.
Nous effectuerons le remboursement dans les meilleurs délais, et au plus tard 14 jours après le jour où nous aurons été informés de votre décision d'exercer votre droit de rétractation sur ce contrat.
Nous effectuerons le remboursement en utilisant le même moyen de paiement que celui que vous avez utilisé pour la transaction initiale, sauf si vous en avez expressément convenu autrement ; en tout état de cause, aucuns frais ne vous seront facturés à la suite d'un tel remboursement.
Nous pouvons suspendre le remboursement jusqu'à ce que nous ayons reçu les marchandises ou que vous ayez fourni la preuve que vous avez renvoyé les marchandises, en fonction de la première éventualité.
Vous devez renvoyer les marchandises ou les remettre à Rarewaves.com USA, Unit 144 The Lightbox, 111 Power Road, W4 5PY, London, London, United Kingdom, sans retard injustifié et, en tout état de cause, au plus tard 14 jours à compter du jour où vous nous avez communiqué votre décision de rétractation du présent contrat. Le délai est respecté si vous renvoyez les marchandises avant l'expiration du délai de 14 jours. Vous devrez prendre en charge les frais directs du renvoi des marchandises. Vous n'êtes responsable que de toute diminution de valeur des marchandises résultant d'une manipulation autre que celle nécessaire pour établir la nature, les caractéristiques et le fonctionnement des marchandises.
Exceptions au droit de rétractation
Le droit de rétractation ne s'applique pas à ce qui suit :
- Distribution de journaux, de revues ou de magazines, à l'exception des contrats d'abonnement ; et
- Fourniture d'un contenu numérique qui n'est pas fourni sur un support matériel (par exemple, sur un CD ou un DVD) si vous avez accepté, lors de votre commande, que nous puissions commencer à le livrer et que vous ne puissiez pas exercer votre droit de rétractation une fois la livraison commencée.
Conditions d'expédition
Please note that we do not offer Priority shipping to any country.
We currently do not ship to the below countries:
Russia
Belarus
Ukraine
Please do not attempt to place orders with any of these countries as a ship to address - they will be cancelled.