Federated learning (FL) enables aircraft fleet operators to jointly train remaining-useful-life (RUL) models from engine sensor telemetry without sharing raw data. This study examines two complementary challenges: benign heterogeneity, where honest operators observe different operating conditions and fault modes, and adversarial heterogeneity, where compromised operators submit poisoned updates. We conduct a controlled, safety-oriented evaluation using a multi-task one-dimensional convolutional neural network and a structurally non-IID partition of the Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) benchmark. We compare four remedies for benign heterogeneity and evaluate five attacks against four aggregation methods, including a physically motivated sensor-value backdoor designed to mask engine degradation.
Shared-representation personalization closes approximately 70% of the local-to-centralized root-mean-square-error gap, compared with 21% for proximal regularization and 10% for server-side reweighting. The backdoor achieves a 94.9% attack success rate against standard averaging while leaving clean accuracy statistically unchanged, demonstrating that accuracy alone cannot certify model safety and that attack success must be evaluated explicitly. Krum reduces attack success by an order of magnitude and is the only evaluated aggregator that withstands coordinated attackers, whereas personalization alone provides no protection. Combining personalization with robust aggregation restores robustness (2.8% attack success) with only a small accuracy cost, revealing a trade-off between robust update selection and collaborative representation learning. Results remain consistent across client counts and on a harder six-condition dataset. Code and data partitions are released for reproducibility.
한 줄 요약
비양심적 클라이언트와 이질적 데이터 환경에서 항공기 엔진 예측 유지보수를 위한 강건하고 개인화된 연방 학습 방법을 제안한다.
핵심 기여도
- **FedRep** 개인화가 로컬-중앙집중식 RMSE 격차를 약 70% 좁힘.
- **Krum** 집계가 공격 성공률을 약 10배 감소시켜 협동 공격에 견딤.
- **물리적 동기 부여 센서 백도어 공격**이 정확도는 유지하면서 94.9%의 공격 성공률 달성.
- **FedRep + Krum** 결합 방어가 2.8% 공격 성공률로 강건성 회복.
핵심 아이디어
항공기 엔진 예측 유지보수에서 연방 학습은 이질적 클라이언트 환경에서 모델 학습을 가능하게 하지만, 양심적 이질성과 비양심적 이질성이라는 두 가지 주요 도전 과제를 해결해야 한다. 양심적 이질성은 클라이언트가 서로 다른 운전 조건과 고장 모드를 관찰하는 상황이며, 비양심적 이질성은 일부 클라이언트가 중독된 업데이트를 제출하는 상황이다. 이 연구는 **C-MAPSS** 데이터셋을 사용하여 **1D CNN** 기반의 다중 태스크 모델을 통해 이 두 문제를 동시에 평가한다. 특히, **FedRep** 개인화는 공유된 표현을 통해 클라이언트 간의 이질성을 줄이며, **Krum** 집계는 공격에 대한 강건성을 제공한다. 이 두 접근법의 결합은 정확도 손실이 적은 동시에 공격에 대한 강건성을 유지하는 방식으로, 이는 연합 학습에서 개인화와 강건성 사이의 균형 문제를 드러낸다.
기술적 접근법
- **모델 구조**: 다중 태스크 1D CNN.
- **데이터셋**: C-MAPSS FD001 + FD003 (4개 클라이언트), FD002 + FD004 (6개 클라이언트).
- **개인화 방법**: FedRep, FedCCFA, FedProx, 서버측 재가중.
- **공격 방식**: 센서값 기반 백도어, 그라디언트 스케일링, 협동 Byzantine 공격.
- **집계 방법**: FedAvg, Krum, 트림드 미디언, 좌표 미디언.
- **개인화 성능**: FedRep가 로컬-중앙집중식 RMSE 격차를 69.9% ± 6.4% 좁힘.
- **공격 성능**: FedAvg 대비 Krum이 공격 성공률을 94.9% → 6.4%로 감소.
주요 결과
- **C-MAPSS FD001+FD003** 데이터셋에서 FedRep는 로컬-중앙집중식 RMSE 격차를 70% 좁힘.
- **백도어 공격**에서 FedAvg 대비 Krum이 공격 성공률을 94.9% → 6.4% 감소.
- **FedRep + Krum** 결합 방어는 공격 성공률 2.8%로 강건성 회복, 정확도 손실은 16.86 → 23.97 RMSE.
- **FD002+FD004** 데이터셋에서도 동일한 결과 유지.
의의 및 한계
이 연구는 항공기 엔진 예측 유지보수 분야에서 연방 학습의 실용성을 평가하는 데 중요한 기초를 제공한다. 특히, **양심적 이질성과 비양심적 이질성을 동시에 고려한 첫 연구**라는 점에서 학술적 의의가 있다. 또한, **개인화와 강건성의 균형 문제**를 실증적으로 보여주며, **백도어 공격이 정확도를 유지하면서도 모델을 침해할 수 있음**을 밝혀 기존 평가 지표의 한계를 드러낸다. 한계로는 **개인화와 강건성의 결합이 정확도에 영향을 미친다**는 점, 그리고 **더 복잡한 데이터셋에서는 방어력이 약화될 수 있음**이 있다.
실용적 활용
이 연구는 항공기 엔진 예측 유지보수를 위한 연방 학습 시스템 설계에 적용 가능하며, 특히 **다중 클라이언트 환경에서 데이터 이질성과 공격 위험을 동시에 고려해야 하는 산업 현장**에 유용하다. 예를 들어, **항공기 유지보수 네트워크(MRO)**나 **다중 운송사 연합**에서 모델 학습을 안전하게 수행할 수 있다.