تقویت تاب آوری امنیتی شبکه های IoT سبز در برابر حملات سایبری با استفاده از یادگیری فدرال مبتنی بر اعتماد (Trust-aware) در کاربردهای محیط زیستی

با گسترش استفاده از اینترنت اشیای سبز (Green IoT) در سیستم های پایش محیط زیست، خصوصا در مناطق حساس نظیر جنگل ها نیاز به الگوریتم های هوشمند امن و کم مصرف برای تحلیل داده ها و پیش بینی حوادث محیطی افزایش یافته است. یادگیری فدرال (FL) به عنوان رویکردی توزیع شده و حریم محور در کنار قابلیت های IoT سبز می تواند نقشی کلیدی در طبقه بندی و تشخیص آتش سوزی ها و سایر بحران ها ایفا کند. با این حال، آسیب پذیری شبکه های فدرال نسبت به حملات سایبری و مشارکت کنندگان مخرب یک چالش جدی است. در این مقاله معماری جدیدی برای یادگیری فدرال مبتنی بر اعتماد (Trust-aware FL) ارائه شده که با ارزیابی دینامیک سطح اعتماد گره ها، پایداری و دقت مدل مرکزی را در برابر داده های مخرب حفظ می کند. نتایج شبیه سازی در یک سناریوی واقعی مرتبط با پایش جنگل های شمال ایران نشان می دهد که رویکرد پیشنهادی ضمن افزایش دقت شناسایی آتش سوزی (تا ۹۲٪)، مصرف انرژی را نیز نسبت به روش های متمرکز تا ۳۷٪ کاهش داده است.

کلیدواژه ها:

یادگیری فدرال ، اینترنت اشیای سبز ، تشخیص آتش سوزی ، تاب آوری سایبری ، اعتماد ، پایش محیط زیست