هوش مصنوعی امن و پایدار: چارچوب یادگیری فدرال برای تشخیص نفوذ و بهینه سازی مصرف انرژی مراکز داده

در این پژوهش، چارچوبی ترکیبی و کاربردی ارائه می شود که دو هدف اصلی را به صورت هم زمان محقق می سازد: (۱) تشخیص امن نفوذ در مراکز داده با بهره گیری از یادگیری فدرال به منظور حفظ حریم خصوصی داده ها و (۲) بهینه سازی مصرف انرژی زیرساخت های ابری با به کارگیری تکنیک های Green AI. برای ارزیابی چارچوب، لاگ های واقعی شبکه و داده های مصرف انرژی ۲۰۰ سرور یک مرکز داده دانشگاهی جمع آوری شد. از آنجا که تعداد رویدادهای حمله در داده های خام محدود بود، حملات استاندارد مانند (DDoS، Port Scan و (brute-force با استفاده از الگوهای مرجع CIC-IDS۲۰۱۷ و NSL-KDD به صورت مصنوعی تزریق گردید و مجموعه شامل برچسب های «عادی» و «حمله» شد. در فاز تشخیص نفوذ، هر گره محلی یک مدل سبک CNN را بر مبنای الگوریتم FedAvg آموزش داد و تنها وزن های به روزشده میان گره ها تبادل شد تا داده های خام هرگز از مرز گره ها خارج نشود. در فاز بهینه سازی انرژی، روی مدل نهایی روش های کوانتیزاسیون و دانش تقطیر اعمال شد. معیارهای ارزیابی شامل دقت طبقه بندی (Accuracy)، دقت پیش بینی (Precision)، فراخوانی (Recall)، امتیاز F۱ و مساحت زیر منحنی ROC (AUC) بود. همچنین مصرف انرژی در هر حالت با ابزار PowerAPI ثبت گردید. نتایج نشان داد مدل نهایی دقت کلی ۹۲.۵٪ (AUC≈۰.۹۲) را حفظ کرده و به طور میانگین ۴۰–۵۰٪ در مصرف انرژی صرفه جویی نمود. آزمون های آماری t-test و ANOVA و اعتبارسنجی متقابل ۵-تکه، معناداری کاهش مصرف انرژی و پایداری دقت را تایید کردند. این پژوهش برای نخستین بار یادگیری فدرال را با رویکردهای Green AI در یک چارچوب یکپارچه تلفیق می کند تا ضمن ارتقای امنیت سایبری، پایداری زیست محیطی مراکز داده نیز تضمین شود.

کلیدواژه ها:

هوش مصنوعی ، یادگیری فدرال ، تشخیص نفوذ ، Green AI ، بهینه سازی انرژی