معماری اعتماد صفر فدرال برای تامین امنیت لبه شبکه در اینترنت اشیاء شهری: رویکردی نوین در شهرداری هوشمند

با گسترش چشمگیر اینترنت اشیاء شهری (Urban IoT) و استقرار میلیون ها سنسور ناامن در سطح شهرها، چالش های امنیتی به طور فزاینده ای پیچیده شده اند؛ مدل های سنتی امنیت محیطی (Perimeter Security) دیگر قادر به حفاظت موثر در برابر تهدیدات پیشرفته و توزیع شده در لبه شبکه نیستند. این وضعیت، نیازمند گذار به پارادایمی نوین مبتنی بر هویت محوری و اعتماد صفر (Zero Trust Architecture - ZTA) است. با این حال، پیاده سازی ZTA در محیط های IoT شهری به دلیل حجم عظیم داده ها، پراکندگی جغرافیایی و محدودیت منابع دستگاه ها، با چالش های جدی مواجه است. این مقاله، معماری نوآورانه ای را معرفی می کند که ZTA را با یادگیری ماشین فدرال (Federated Learning - FL) در محیط Urban IoT ادغام می سازد. در این رویکرد، به جای انتقال داده های خام و حساس شهروندان به سرور مرکزی، مدل های یادگیری ماشین به صورت محلی بر روی دستگاه های لبه یا گیت وی ها آموزش داده شده و تنها به روزرسانی های مدل به صورت امن تجمیع می گردند. این امر نه تنها حریم خصوصی داده ها را به طور موثری حفظ می کند، بلکه امکان شناسایی و مقابله با تهدیدات امنیتی را به صورت بلادرنگ و در خود لبه شبکه فراهم می آورد، که منجر به کاهش قابل توجه بار پردازشی و ارتباطی بر زیرساخت مرکزی می شود. معماری پیشنهادی، ضمن ارتقاء چشمگیر امنیت، انعطاف پذیری و مقیاس پذیری لازم برای شهرداری های هوشمند آینده را تضمین می نماید.

کلیدواژه ها:

معماری اعتماد صفر ، یادگیری ماشین فدرال ، امنیت محاسبات لبه ، اینترنت اشیاء شهری ، امنیت شهرداری هوشمند ، حفظ حریم خصوصی داده