چارچوبی امن و مقیاس پذیر برای اینترنت اشیاء هوشمند با استفاده از بلاکچین سبک وزن و یادگیری فدرال

این مقاله یک چارچوب نوین برای امنیت اینترنت اشیاء (IoT) در محیط های هوشمند ارائه می دهد که ترکیبی از فناوری بلاکچین سبک وزن و یادگیری فدرال است. با توجه به رشد انفجاری دستگاه های IoT (پیش بینی 50 میلیارد دستگاه تا 2025) و افزایش حملات سایبری پیچیده (68% افزایش حملات هدفمند در 2023)، راهکار پیشنهادی از سه لایه کلیدی تشکیل شده است: (1) لایه بلاکچین محلی با الگوریتم اجماع PoS++ برای مدیریت دستگاه های خانگی، (2) شبکه همپوشانی غیرمتمرکز مبتنی بر DAG با توان پردازش 10,000 TPS، و (3) لایه هوش مصنوعی با مدل های یادگیری فدرال برای تشخیص ناهنجاری. ارزیابی ها نشان می دهد این سیستم می تواند حملات Zero-Day را با دقت 98.7% شناسایی کند، در حالی که مصرف انرژی را تا 60% نسبت به راهکارهای سنتی کاهش می دهد. این مقاله همچنین چالش های پیاده سازی در محیط های 6G و راهکارهای مقابله با تهدیدات کوانتومی را مورد بحث قرار می دهد.

کلیدواژه ها:

اینترنت اشیاء ، بلاکچین سبک ، یادگیری فدرال ، امنیت سایبری ، حریم خصوصی دیفرانسیلی