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

صورت ترکیبی از فناوری بلاکچین سبک وزن و یادگیری فدرال بهره می گیرد. با توجه به رشد انفجاری تعداد دستگاه های IOT، پیش بینی ۵۰ میلیارد دستگاه تا سال ۲۰۲۵ و افزایش نگران کننده حملات سایبری هدفمند رشد ۶۸ درصدی در سال ۲۰۲۳، معماری های امنیتی سنتی با چالش هایی نظیر مقیاس پذیری، محدود، مصرف بالای انرژی و حفظ حریم خصوصی داده ها مواجه هستند. چارچوب پیشنهادی برای غلبه بر این محدودیت ها از یک ساختار سه لایه به شرح زیر بهره می گیرد: لایه نخست، یک بلاکچین محلی کارآمد با الگوریتم اجماع اثبات سهام بهبود یافته (PoS+++) است که مدیریت تعاملات و احراز هویت دستگاه ها در سطح خانه هوشمند را با سربار محاسباتی پایین بر عهده دارد؛ لایه دوم یک شبکه همپوشانی غیرمتمرکز مبتنی بر گراف های جهت دار غیرمدور (DAG) است که با پشتیبانی از توان پردازش ۱۰,۰۰۰ تراکنش در ثانیه (TPS)، مقیاس پذیری مورد نیاز برای ارتباطات انبوه دستگاه ها در سطح شهر هوشمند را فراهم می کند؛ لایه سوم نیز شامل یک زیرساخت هوش مصنوعی غیرمتمرکز مبتنی بر یادگیری فدرال است که در آن مدل های محلی بدون نیاز به انتقال داده های خام به سرور مرکزی آموزش دیده و تنها گرادیان های به روزرسانی برای بهبود مدل سراسری تشخیص ناهنجاری مبادله می شوند. ارزیابی های جامع صورت گرفته بر روی مجموعه داده های استاندارد نشان می دهد که سیستم پیشنهادی قادر به شناسایی حملات ناشناخته Zero-Day با دقت ۹۸.۷ بوده و در عین حال معماری سبک وزن آن مصرف انرژی را تا ۶۰٪ نسبت به راهکارهای مبتنی بر بلاکچین های مرسوم کاهش می دهد. در ادامه مقاله به تحلیل چالش های پیاده سازی این چارچوب در نسل آینده ارتباطات (۶G) و ارائه راهکارهای اولیه برای مقابله با تهدیدات ناشی از ظهور رایانش کوانتومی می پردازد.

کلیدواژه ها:

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