بهبود امنیت اینترنت اشیا صنعتی با استفاده از یادگیری فدرال و رمزنگاری همومورفیک

اینترنت اشیا صنعتی (IIoT) به عنوان ستون فقرات انقلاب صنعتی چهارم نقش محوری در افزایش بهره وری، اتوماسیون و تصمیم گیری مبتنی بر داده در محیط های صنعتی ایفا می کند. با این حال گسترش روزافزون دستگاه های IIoT و تولید حجم عظیمی از داده های حساس، چالش های امنیتی و حریم خصوصی بی سابقه ای ایجاد کرده است. روش های متمرکز یادگیری ماشین سنتی، علی رغم کارایی در کشف تهدیدات، به دلیل نیاز به انتقال داده های خام به سرور مرکزی با مخاطرات جدی حریم خصوصی و هزینه های محاسباتی بالا مواجه هستند. در این مقاله رویکردی نوین برای بهبود امنیت IIoT با تلفیق یادگیری فدرال (FL) و رمزنگاری همومورفیک (HE) ارائه می شود. یادگیری فدرال با غیر متمرکزسازی فرآیند آموزش مدل های یادگیری ماشین امکان استفاده از داده های توزیع شده را بدون خروج داده از دستگاه های محلی فراهم می سازد. رمزنگاری همومورفیک نیز با امکان انجام محاسبات روی داده های رمزگذاری شده لایه ای مضاعف از حریم خصوصی را ایجاد می کند. این مقاله به بررسی چالش های امنیتی IIoT، اصول و کاربردهای یادگیری فدرال و رمزنگاری همومورفیک، چالش های پیاده سازی راهکارهای ترکیبی ارائه شده در پژوهش های اخیر و چشم اندازهای آینده این حوزه می پردازد. نتایج بررسی ها نشان می دهد که تلفیق این دو فناوری می تواند تا ۳۰ درصد دقت تشخیص تهدید را افزایش داده و همزمان حریم خصوصی داده های صنعتی را در سطحی بی سابقه تضمین نماید.

کلیدواژه ها:

اینترنت اشیا صنعتی ، یادگیری فدرال ، رمزنگاری همومورفیک ، حریم خصوصی ، امنیت سایبری