چارچوب امنیتی ترکیبی برای لبه اینترنت اشیاء ادغام بلاک چین سبک وزن و یادگیری عمیق برای حفظ حریم خصوصی و تشخیص ناهنجاری

اینترنت اشیاء (Internet of Things) به عنوان یک الگوی نوین در فناوری اطلاعات با اتصال میلیاردها دستگاه هوشمند فیزیکی و مجازی به یکدیگر تحولی عظیم در صنایع مختلف از جمله خانه های هوشمند، مراقبت های بهداشتی، حمل ونقل و زیرساخت های حیاتی ایجاد کرده است. با این حال ماهیت توزیع شده، ناهمگون و محدودیت منابع در دستگاه های IoT آنها را به اهدافی جذاب برای حملات سایبری تبدیل کرده است. مدل های امنیتی متمرکز سنتی به دلیل چالش های مقیاس پذیری، تک نقطه شکست (Single Point of Failure) و عدم توانایی در پردازش بلادرنگ حجم عظیم داده ها کارایی لازم را ندارند. این مقاله مروری جامع با بررسی دقیق ادبیات پژوهشی موجود، یک چارچوب امنیتی ترکیبی را پیشنهاد می کند که در لبه شبکه (Edge) مستقر می شود. این چارچوب با بهره گیری از فناوری بلاک چین (Blockchain) سبک وزن و کنسرسیومی (Consortium Blockchain) برای مدیریت هویت غیر متمرکز و کنترل دسترسی و ادغام آن با مدل های پیشرفته یادگیری عمیق (Deep Learning) جهت تشخیص ناهنجاری (Anomaly Detection) و حفظ حریم خصوصی راهکاری نوین ارائه می دهد. یافته ها نشان می دهند که جایگزینی الگوریتم های اجماع سنگین مانند اثبات کار (Proof of Work) با مکانیزم های سبک تر و استفاده از یادگیری توزیع شده می تواند امنیت، اعتماد و حریم خصوصی را در اکوسیستم های محدود IoT به طور قابل توجهی ارتقا دهد.

کلیدواژه ها:

محاسبات لبهای چند دسترسی (MEC) ، زمان بندی منابع ، یادگیری تقویتی عمیق (DRL) ، اینترنت اشیاء (IoT) ، برش دهی شبکه (Network Slicing) ، تجزیه بندرز (LBBD)