یادگیری فدرال مبتنی بر دوقلوی دیجیتال برای ارتقای امنیت و شخصی سازی در گردشگری هوشمند

یادگیری فدرال مبتنی بر دوقلوهای دیجیتال به عنوان پارادایمی نوین، در پاسخ به چالش های هم زمان امنیت داده و شخصی سازی در گردشگری هوشمند مطرح شده است. این مطالعه به صورت نظام مند، همگرایی فناوری های دوقلوی دیجیتال و معماری های یادگیری فدرال را با تمرکز بر ارتقای نظارت بلادرنگ، نگهداری پیش بینانه و خدمات انطباق پذیر در محیط های ناهمگن گردشگری بررسی می کند. روش شناسی پژوهش شامل جستجو در پایگاه های علمی معتبر، اعمال معیارهای دقیق ورود/خروج و تحلیل مطالعات منتشرشده از ۲۰۱۹ تا ۲۰۲۵ است. سه حوزه موضوعی کلیدی عبارت اند از: (۱) کاربرد دوقلوهای دیجیتال در مدیریت دارایی و مدل سازی رفتار گردشگران (۲) راهبردهای یادگیری فدرال برای تجمیع داده های حافظ حریم خصوصی و بهینه سازی خدمات در لبه شبکه و (۳) رویکردهای ادغام ترکیبی شامل هم زمان سازی، امنیت و قابلیت همکاری. این مطالعه، شکاف هایی چون تهدیدات نوظهور مانند مسموم سازی مدل، پیچیدگی پیاده سازی در زیرساخت های متنوع و نبود استانداردهای بین عملیاتی را شناسایی می کند. همچنین، مسیرهای آینده ای چون تلفیق با رایانش لبه و شبکه های نسل جدید، یادگیری انطباق پذیر برای دوقلوهای دیجیتال پویا و توسعه چارچوب های هوش مصنوعی قابل تفسیر جهت افزایش اعتماد، پیشنهاد می شود. در مجموع، این مطالعه با ترکیب انتقادی یافته ها و چالش ها، بینش هایی راهبردی برای ارتقای اکوسیستم های گردشگری هوشمند، امن و شخصی سازی شده ارائه می دهد.

کلیدواژه ها:

دوقلوی دیجیتال ، یادگیری فدرال ، گردشگری هوشمند ، امنیت سایبری در گردشگری ، شخصی سازی خدمات