کاربرد یادگیری فدرال در مدیریت هویت و دسترسی اینترنت اشیاء صنعتی

اینترنت اشیاء صنعتی با ایجاد اتصال گسترده میان دستگاه ها، حسگرها و سیستم های کنترلی تحول عظیمی در صنایع ایجاد کرده است. با این حال، این اتصال گسترده سطح حمله را به طور قابل توجهی افزایش داده و مدیریت هویت و دسترسی را به یکی از چالش های اساسی در معماری های اینترنت اشیاء صنعتی تبدیل کرده است. روش های سنتی متمرکز مدیریت هویت با مشکلاتی نظیر نقطه شکست، واحد مقیاس ناپذیری، تاخیر بالا و نقض حریم خصوصی کاربران مواجه هستند. در این مقاله به بررسی مدیریت هوشمند هویت و دسترسی در اینترنت اشیاء صنعتی با استفاده از یادگیری فدرال به عنوان یک رویکرد غیرمتمرکز حفظ کننده حریم خصوصی می پردازیم. در این حالت، گره های صنعتی (اعم از دستگاه ها، حسگرها و دروازه ها) بدون نیاز به اشتراک گذاری داده های خام به صورت مشارکتی مدل های تشخیص نفوذ و کنترل دسترسی را آموزش می دهند. برای افزایش امنیت و اعتماد عموما سازوکارهای رمزنگاری سبک (مانند رمزگذاری همریختی و اثبات دانایی صفر) و بلاک چین برای ثبت تغییرات هویت و سیاست های دسترسی به کار گرفته می شود. در پایان مقاله چالش ها و جهت های پژوهشی آتی در این حوزه ارائه می شود.

کلیدواژه ها:

اینترنت اشیاء ، صنعتی ، یادگیری فدرال ، مدیریت هویت و دسترسی ، تشخیص نفوذ ، حریم خصوصی