We introduce a third-party confidentiality-preserving machine learning scheme for soft-failure detection leveraging the robustness of the principal components algorithm to the changes in the rotation of the data axis. We demonstrate that random scrambling of the data is effective to hide sensitive telemetry information.

Confidentiality-preserving Machine Learning Scheme to Detect Soft-failures in Optical Communication Networks

Silva M. F.;Pacini A.;Sgambelluri A.;Paolucci F.;Valcarenghi L.
2022-01-01

Abstract

We introduce a third-party confidentiality-preserving machine learning scheme for soft-failure detection leveraging the robustness of the principal components algorithm to the changes in the rotation of the data axis. We demonstrate that random scrambling of the data is effective to hide sensitive telemetry information.
File in questo prodotto:
File Dimensione Formato  
Confidentiality-preserving_Machine_Learning_Scheme_to_Detect_Soft-failures_in_Optical_Communication_Networks.pdf

non disponibili

Tipologia: Documento in Pre-print/Submitted manuscript
Licenza: Copyright dell'editore
Dimensione 771.49 kB
Formato Adobe PDF
771.49 kB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11382/558652
 Attenzione

Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo

Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus 2
social impact