Research Article

استراتيجية التعلم بالوكالة المدفوعة بالانتشار مع تفاعلات الأقران الآمنة للذكاء التوليدي في النظام السيبراني المادي

DOI:

10.3791/68383

⸱

June 27th, 2025

 ,  ,  ,  ,  ,  , 
1Department of Computer Science and Engineering, JAIN (Deemed-to-be University), 2School of Science Engineering and Environment, University of Salford, 3Division of Research and Development, Lovely Professional University, 4Research and Innovation Cell, Rayat Bahra University, 5Department of Information Systems, College of Computer Sciences and Information Technology, King Abdulaziz University, 6Department of Management Information Systems, College of Business Administration, King Faisal University, 7Department of Management, College of Business Administration, Princess Nourah Bint Abdulrahman University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نقدم هنا إطار عمل التعلم بالوكالة التوليدية (GPLF) الذي يجلب التعلم الموحد القائم على البروكسي (ProxyFL) لتحسين حلول الذكاء الاصطناعي التوليدي في الأنظمة الفيزيائية الإلكترونية (CPS). من خلال دمج ميزات الخصوصية التفاضلية وطرق التشفير ، تعزز GPLF حماية الخصوصية ، مما يقلل من تسرب الخصوصية ، مما يجعل عمليات النظام السيبراني المادي أكثر ذكاء وأمانا.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يمزج النظام السيبراني الفيزيائي (CPS) بين الذكاء الحسابي والعمليات المادية ، مما يتيح المراقبة الفورية والقدرة على اتخاذ القرار وخدمات الأتمتة في مختلف المجالات الحيوية. علاوة على ذلك ، يواجه الذكاء الاصطناعي التوليدي (الذكاء الاصطناعي) حواجز كبيرة أمام النشر داخل CPS لأن البيئات الموزعة ذات البيانات الحساسة تمثل تحديات خطيرة في الحفاظ على الخصوصية والأمان. تواجه التقنيات الحالية ، مثل التعلم الموحد (FL) ، صعوبات في كل من تنوع نماذجها وخطر تعرض الخصوصية للخطر. يعمل إطار التعلم التوليدي للبروكسي (GPLF) كحل مبتكر يستخدم التعلم الموحد القائم على البروكسي (ProxyFL) الذي تم تكييفه خصيصا لتطبيقات الذكاء الاصطناعي التوليدي داخل الأنظمة الفيزيائية الإلكترونية (CPS). في GPLF ، يحتفظ كل مشارك بنموذجين: يقوم المشاركون بتشغيل نموذج خاص مخصص لتحليل البيانات المحلية جنبا إلى جنب مع نموذج وكيل مشترك يتيح تعاون العقدة المحمية. باعتبارها الأساس الأساسي لآليات الذكاء الاصطناعي التوليدي ، توفر نماذج الانتشار المتقدمة بيانات تركيبية عالية الدقة جنبا إلى جنب مع الحفاظ على ميزات البيانات الرئيسية. تولد النماذج بيانات مستشعر اصطناعية ، مما يتيح الكشف المحسن عن الشذوذ ويدعم النمذجة التنبؤية من خلال تمثيلات سلوك CPS الأصلية في ظل سيناريوهات مختلفة. يحقق النظام حماية خصوصية متقدمة مع آليات الخصوصية التفاضلية في تحديثات بيانات البروكسي ، بينما يستفيد الاتصال المباشر بالأقران في الشبكة من حماية التشفير المتقدمة. تخدم GPLF منصات CPS من خلال الاتصال بأجهزة الاستشعار في الوقت الفعلي وأجهزة إنترنت الأشياء التي تدعم العمليات التوليدية الآمنة ، بما في ذلك اكتشاف الحالات الشاذة وإنشاء البيانات التركيبية والنمذجة التنبؤية. تظهر نتائج الاختبار من مجموعات بيانات CPS المعيارية تحسينات كبيرة في الأداء مع تسرب أقل للخصوصية بنسبة 25٪ وقدرات تبادل بيانات أفضل بنسبة 25٪ ، إلى جانب تحسين بنسبة 18٪ في دقة المهام التوليدية لدعم إمكاناتها التحويلية لعمليات CPS الآمنة والذكية.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يبحث البحث في الأنظمة السيبرانية الفيزيائية (CPS) من خلال الجمع بين الذكاء الحسابي وعمليات العالم الحقيقي لتمكين المراقبة في الوقت الفعلي جنبا إلى جنب مع قدرات اتخاذ القرار السريع وأتمتة النظام1. تعمل تقنيات إنترنت الأشياء الناشئة (IoT) والذكاء الاصطناعي (الذكاء الاصطناعي) على توسيع نطاق التطبيقات بشكل كبير حيث تقوم أنظمة CPS بتشغيل الوظائف الأساسية عبر تطوير الشبكة الذكية وعمليات الأتمتة الصناعية ، بالإضافة إلى خدمات تقديم الرعايةالصحية 2. تستخدم المؤسسات التي تنشر CPS بشكل متزايد نماذج الذكاء الاصطناعي التوليدي ، والتي توفر القدرة على تقليد سلوك النظام بالإضافة إلى تمكين النمذجة التنبؤية جنبا إلى جنب مع اكتشاف الحالات الشاذة المحسنة. يؤدي التنسيق الموزع لبيانات CPS ، جنبا إلى جنب مع سماتها الحساسة ، إلى ثغرات أمنية كبيرة في الخصوصية إلى جانب مشكلات الأمان ومشكلات قابلية التوسع في تطبيقات الذكاء الاصطناعي التوليدي.

تركز التقنيات الحالية ، مثل التعلم الموحد (FL) ، على حماية خصوصية البيانات ولكنها تواجه قيودا ، والتي تشمل تهديد تسرب خصوصية تحديث النموذج ، جنبا إلى جنب مع انخفاض الدعم ل الذكاء الاصطناعي التوليدي وعدم كفاية التعامل مع ظروف CPS المتنوعة3. تفتقر الأساليب الحالية إلى التكامل الأساسي للآليات المتقدمة المصممة لكل من إنشاء البيانات وتدابير الحماية عند العمل في CPS الموزع أثناء التشغيل في الوقت الفعلي. نظرا لأن الأطر الحالية تقصر في مجالات متعددة ، فإن الأبحاث الحالية توضح احتياجات كبيرة لا يمكن تلبيتها إلا من خلال إنشاء حل جديد يوفر نماذج آمنة وقابلة للتطوير وتوليدية جنبا إلى جنب مع حماية الخصوصيةالواضحة 4.

تحدد الدراسة الجديدة لإطار التعلم بالوكالة التوليدية (GPLF) طريقة مصممة خصيصا لتسهيل نشر وظائف الذكاء الاصطناعي التوليدي داخل CPS. تنفذ GPLF مخطط FLالقائم على البروكسي 5 ، بحيث يمكن للمستخدمين العمل مع نماذج خاصة لفحص البيانات الفردية ونماذج الوكيل للحفاظ على أنشطة التعلم التعاوني المحمية. يستهدف هذا البحث تعزيز خصوصية البيانات من خلال تطبيق مناهج الخصوصية التفاضلية جنبا إلى جنب مع التشفير المتماثل الآمن ويستخدم نماذج نشر متقدمة لإنتاج بيانات تركيبية عالية الجودة. يدعم النظام الكشف الآمن عن الشذوذ بالإضافة إلى وظائف النمذجة التنبؤية مع السماح بنقل المعلومات بكفاءة بين عمليات CPS الموزعة.

تحل GPLF تحديات FL الحالية من خلال تصميم إطار العمل ثنائي النموذج ، والذي يوفر حماية البيانات ومرونةالنظام 6. يستخدم كل مشارك في CPS كلا من النماذج الخاصة والوكيلة ، والتي تنشئ نظامين منفصلين لتحقيق حماية الخصوصية المحلية وتمكين قدرات التعلم الجماعي. يستخدم النموذج الخاص عمليات مترجمة للتعلم من البيانات السرية للمشارك ويحافظ على خصوصية البيانات الكاملة من خلال تخزين المعلومات الحساسة ضمن معايير كل مشارك. يحقق النظام أقصى أداء عند اكتشاف الحالات الشاذة والتعرف على الأنماط على المستوى المحلي7. ويعمل النموذج الوكيل كآلية تعلم جماعية مشتركة متاحة لجميع المشاركين لتبادل المعارف بشكل آمن. يتدرب نموذج الوكيل بسرية من خلال معالجة البيانات الاصطناعية المعقمة من نماذج الانتشار وتوصيل التحديثات من خلال كل من الخصوصية التفاضلية والتشفير المتماثل لأن هذا يتيح FL الخاص والوظيفي.

تتيح استراتيجية الانتشار إنشاء مجموعات بيانات تركيبية متفوقة تحافظ على الخصائص الأساسية مع إخفاء التفاصيل الشخصية. كشف هذا البحث عن تطورات كبيرة ، والتي تجلت في انخفاض كبير في تسرب الخصوصية مع وظائف تبادل البيانات المطورة والأداء الأفضل للمهام التوليدية ، مما يتيح عمليات نظام سيبراني فيزيائي أكثر مرونة. تنشئ GPLF منهجية جديدة ل CPS الذكي من خلال توحيد التعلم الذي يحافظ على الخصوصية مع قدرات الذكاء الاصطناعي التوليدي8.

تقدم GPLF قدرات جديدة من خلال تصميمها المزدوج الذي يستهدف بشكل خاص التعامل مع مخاوف الخصوصية في نشر الذكاء الاصطناعي التوليدي عبر CPS. بينما يستخدم التعلم الموحد التقليدي نموذجا واحدا لجميع المشاركين ، ينشر GPLF كلا من النماذج الخاصة لفحص البيانات المحلية ونماذج الوكيل لأداء مهام التعلم الجماعي. من خلال الفصل الصارم للبيانات ، يحتفظ المرضى بالمعلومات الحساسة محليا ولكنهم يستخدمون البيانات الاصطناعية المعقمة لنموذج البروكسي جنبا إلى جنب مع الخصوصية التفاضلية لتحقيق التعاون الآمن. يضمن نموذج البروكسي اكتشافا قويا للشذوذ ونمذجة تنبؤية مع الحفاظ على القدرة على التكيف مع النظام من خلال البيانات التركيبية عالية الجودة التي تم إنشاؤها بواسطة نماذج الانتشار ، مما يضمن حماية خصوصية المستخدم. تبرز GPLF كإطار عمل مبتكر لأنظمة CPS الآمنة لأن نهجها ثنائي النموذج يوفر حماية معززة للخصوصية جنبا إلى جنب مع البيانات الآمنة مع الحفاظ على قابلية التوسع والكفاءة التشغيلية.

الهدف من الدراسة هو تطوير التعلم الموحد القائم على البروكسي (ProxyFL) ، والذي يتطلب بنية مزدوجة النموذج لتمكين التكيف الآمن داخل CPS. علاوة على ذلك ، تعد نماذج الانتشار المتقدمة ضرورية لتكون بمثابة نقطة تكامل لإنتاج البيانات التركيبية للحفاظ على خصائص البيانات الأساسية أثناء ضمانات الخصوصية. أخيرا ، من الضروري تنفيذ طرق الخصوصية التفاضلية جنبا إلى جنب مع بروتوكولات التشفير المتماثلة لضمان أمان البيانات وحماية الخصوصية أثناء تجميع التدرج.

يسلط الجدول 19،10،11،12،13،14،15،16،17،18،19 الضوء على العمليات الأساسية للأساليب الحالية وإنجازاتها مع بعض القيود الحرجة.

الجدول 1: نظرة عامة على التركيز الرئيسي للبحث الحالي والمكونات الأساسية والإنجازات والقيود. الرجاء النقر هنا لتنزيل هذا الجدول.

توضح الأساليب الحالية لدمج الذكاء الاصطناعي التوليدي في أنظمة CPS مشكلات حرجة في التوسع إلى عمليات النشر الكبيرة مع الحفاظ على لوائح الخصوصية وتحقيق مرونةالنظام 20. تظهر الأساليب الحالية ل FL قيودا من خلال عدم كفاية تنوع النماذج مع إظهار الأداء الضعيف عبر الأنظمة المشتتة والمتغيرة وتعريض بيانات المستخدم بسبب ممارسات نقل البيانات الضعيفة. غالبا ما تفلت تمثيلات البيانات عالية الدقة اللازمة للكشف عن الشذوذ وتوليد البيانات التركيبية والنمذجة التنبؤية في CPS من العديد من حلول النمذجة التوليدية ، والتي يمكن أن تضر بالخصوصية والكفاءة الحسابية في محاولاتها لتحقيق هذه المعايير. تؤكد أوجه القصور الحالية في النظام متطلبات إطار العمل لدعم عمليات الذكاء الاصطناعي التوليدي القابلة للتطوير والآمنة والفعالة.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يمثل إطار التعلم التوليدي (GPLF) تقنية جديدة تدمج الذكاء الاصطناعي التوليدي مع CPS وتحل المشكلات المهمة المتعلقة بخصوصية البيانات جنبا إلى جنب مع مقاييس الأمان والأداء داخل أنظمة الشبكات الموزعة. تعتمد وظائف منصات CPS على المراقبة المحدثة جنبا إلى جنب مع العمليات الآلية التي تستخرج مدخلات البيانات الحساسة من عدد متزايد من أجهزة إنترنت الأشياء وأجهزة الاستشعار. تم العثور على اعتماد تقنيات الذكاء الاصطناعي التوليدي في أنظمة CPS لإدخال مخاطر خاصة مثل الثغرات الأمنية في الخصوصية جنبا إلى جنب مع التحديات الأمنية عبر إعدادات الشبكة الموزعة. تطرح GPLF إطارا مبتكرا للتعلم الموحد القائم على البروكسي (ProxyFL) يدعم التعلم التعاوني الآمن المخصص خصيصا للمهام التوليدية للتخفيف من المشكلات الحالية. تم إجراء تقييم شامل لإطار عمل GPLF على منصة CPS التي جمعت منصة اختبارها بين تقنيات شبكة الاستشعار المختلفة مع أجهزة إنترنت الأشياء وتدفق البيانات المباشر.

يدير المشاركون في GPLF نموذجين منفصلين أثناء مشاركتهم.
يعمل نموذج خاص حصري لفحص البيانات المحلية مع الحفاظ على البيانات محمية من الوصول الخارجي.
يتيح نموذج الوكيل المشترك5 للنظام تعاونا آمنا للمشاركين من خلال تقنية التشفير المقترنة بطرق الخصوصية التفاضلية.

يستخدم إطار العمل نماذج الانتشار لإنشاء مجموعات بيانات تركيبية متقنة تقود قدرات الكشف عن الشذوذ مع إظهار النمذجة التنبؤية وتتبع سلوك النظام أثناء محاكاة السيناريوهات المتنوعة. تحافظ مجموعات البيانات المركبة على خصائص الميزات المهمة من خلال طرق فعالة للحفاظ على الخصوصية. يعمل إطار العمل على عمليات تبادل آمنة من نظير إلى نظير عبر تقنيات تشفير قوية تحمي قنوات الاتصال من الهجمات الضارة. أظهرت التقييمات التي أجريت مع GPLF على منصات CPS في العالم الحقيقي كيف يمكن أن تحقق تطورات كبيرة في القدرات التشغيلية الآمنة والذكية عبر حدود قابلية التوسع. أثبتت التحسينات الكبيرة في تدابير تسرب الخصوصية جنبا إلى جنب مع التحسينات التكميلية في قدرات تبادل البيانات ودقة المهام التوليدية قيمتها الوظيفية ونتائج الأداء الملموسة. تشمل المراحل الأساسية ل GPLF التهيئة القائمة على البروكسي للتعلم الموحد جنبا إلى جنب مع التدريب المحلي للبيانات الخاصة ، والذي يشكل العمود الفقري ل GPLF ويدمج تحديثات نموذج البروكسي المحمية بالخصوصية التفاضلية. كما يتم تضمين طرق توليد البيانات التركيبية النموذجية المنتشرة مع تقنيات ووحدات تبادل البيانات الآمنة من نظير إلى نظير للكشف عن الشذوذ والنمذجة التنبؤية. يوضح الهيكل المنظم في الشكل 1 العناصر الأساسية ل GPLF ، والتي لديها القدرة على تحسين العمليات الأساسية ل CPS.

figure-protocol-1
الشكل 1: الإطار المعماري ل GPLF لعمليات CPS الآمنة والذكية. مصممة لتمكين العمليات الآمنة والذكية في الأنظمة السيبرانية المادية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

توضح الأقسام التالية المراحل الست لإطار العمل للاتصال الآمن بين الأجهزة غير المتجانسة في منصة CPS.

1. تهيئة التعلم الموحد القائم على البروكسي

المرحلة 1 هي تهيئة التعلم الموحد القائمة على البروكسي ، حيث تستخدم GPLF عملية تهيئة FL المستندة إلى البروكسي لإعداد نظام (N) لكل مشارك في CPS بنموذجين يضمنان الخصوصية مع السماح للمشاركين بالتعاون بأمان من خلال وظائف التعلم. يتلقى المشاركون الفرديون في CPS (i) نموذجا figure-protocol-2 خاصا للعمل مع بياناتهم المحلية (di) لحماية الخصوصية جنبا إلى جنب مع نموذج figure-protocol-3 وكيل مشترك لتمكين السلوك التعاوني الآمن بين المشاركين. تبدأ النماذج تدريبها بأوزان تم إنشاؤها من إدخالات عشوائية للتوزيع الغوسي21 للظروف الأولية الطبيعية ، والتي يتم التعبير عنها كما في المعادلة (1) ،
figure-protocol-4(1)
يعالج المشاركون بياناتهم بشكل مستقل أثناء تبادل الرؤى من خلال النماذج المشتركة التي تدعم التعلم التوليدي الموزع الذي يحافظ على الخصوصية في أنظمة CPS.

2. التدريب المحلي على البيانات الخاصة

المرحلة 2 هي تدريب محلي على البيانات الخاصة. هنا ، يتم التدريب على البيانات ، حيث يقوم المشاركون في CPS بتطوير نماذج خاصة من بياناتهم المحلية المخزنة للحفاظ على حماية كاملة للبيانات في الموقع عن طريق عزلها بعيدا عن التعرض الخارجي. يتلقى المشاركون تدريبا على تحسين النموذج المستند إلى البيانات باستخدام النسب المتدرج العشوائي (SGD) 22 الذي يحدث من خلال دالة الخسارة المحلية (lالمحلية) ويدعم كلا من استخراج الرؤى الهادفة والتكيفات المحلية مع الحفاظ على خصوصية البيانات.
figure-protocol-5(2)
figure-protocol-6(3)
من (2) و (3) ، يشير I و O إلى إدخال العينة والقيمة المستهدفة المقابلة. يشير L إلى الخسارة بمعدل التعلم (Ɽ). تعمل هذه الخطوة على تطوير أنظمة ذكاء المشاركين الفردية ، والتي تعمل كقاعدة لعمليات تعليمية تعاونية آمنة في المستقبل.
تعمل الشبكة العصبية المتكررة المستقلة (IndRNN) كنموذج ML للمرحلة 2 لأن بنيتها تسمح باستقلال الخلايا العصبية خلال كل خطوة زمنية للتعامل مع مهام CPS محددة مع التخفيف من مشكلات تدرج RNN التقليدية. تأتي كل خلية عصبية داخل إعداد IndRNN بوزن فردي متكرر ، مما يسمح بالتقاط أفضل للتبعيات طويلة المدى. يعزز نموذج التشغيل المنفصل نقل التدرج ، الذي يوسع هياكل الشبكة العميقة بشكل فعال مع الحفاظ على كفاءة العمليات الحسابية. تعمل معالجة البيانات المتسلسلة على منصات CPS بشكل أفضل مع IndRNN نظرا لقدرتها على معالجة التسلسلات الطويلة باستخدام أنماط تعلم قوية مع الحفاظ على تعقيد الشبكة منخفضا.
يوضح الحساب في المعادلة (4) الحل لمشكلة التدرج المتلاشي والانفجار داخل IndRNN ينبع من نهجه المميز لتصميم الاتصال المتكرر.
figure-protocol-7(4)
من (4) ، ω و Ht يشير إلى الوزن والحالة المخفية عند t ، على التوالي. figure-protocol-8 تمثل متجه الأهمية المتكررة المستقلة (الأوزان) ، واحدة لكل نقطة بيانات ، مما يتيح الاستقلال عبر خطوات زمنية مختلفة. ʘ يشير إلى أن التصميم يتميز بدعم الضرب الحكيم ، والذي يحافظ على الاستقلال التام بين الاتصالات المتكررة لكل خلية عصبية ، و ä يدل على وظيفة التنشيط. يتجنب تصميم الهندسة العصبية تمدد التدرج أو الانكماش طوال تسلسل الحسابات ، مما يدعم تدريب نموذج التعلم المستقر والنجاح في تعلم الأنماط الممتدة.
يصبح IndRNN هو النهج المفضل للكشف عن شذوذ CPS لأنه يمنع بنجاح انفجارات واختفاء تدرج RNN التقليدي. يصبح من السهل تتبع التبعيات طويلة الأجل من خلال بنية IndRNN لأنها تعمل بتعقيدات أقل من نماذج المحولات وتحقق كلا من التقارب السريع والتشغيل في الوقت الفعلي. إن الطبيعة الفعالة ل IndRNN تجعلها مناسبة بشكل استثنائي لتمثيل الخصائص التشغيلية محدودة الموارد ل CPS مع تقديم التعرف الدقيق على الشذوذ دون إجهاد حسابي مفرط.

3. نموذج الانتشار لتوليد البيانات التركيبية

المرحلة 3 هي نموذج الانتشار لتوليد البيانات التركيبية. تستخدم هذه المرحلة نماذج انتشار متقدمة لإنتاج بيانات تركيبية ، والتي تكرر الخصائص الرئيسية للبيانات الخاصة المكتسبة. تتعلم النماذج توزيع البيانات الأصلية الحساسة للخصوصية من خلال إضافة ضوضاء خاضعة للرقابة لجمع الخصائص ، مما يساعد على إنشاء بيانات تركيبية بدقة عالية تحتفظ بميزات مهمة مع حماية ضمانات الخصوصية. يولد إجراء تقليل الضوضاء التكراري بيانات تركيبية ، مع الحفاظ على الخصائص الإحصائية الأساسية والعناصر الهيكلية للبيانات الفعلية.
في البداية ، تركز عملية التدريب على نموذج الانتشار التوليدي (Υ) على إنشاء بيانات تركيبية بدقة عالية مع الحفاظ على الميزات الحاسمة من البيانات الخاصة (di) ، ويتضمن الحساب الأساسي لمثل هذا التوليد ،
figure-protocol-9(5)
من (5) ، figure-protocol-10 أشر إلى دمج الضوضاء الغوسية في عينات البيانات. يتم التعبير عن البيانات التركيبية التي تم إنشاؤها حديثا على النحو التالي ،
figure-protocol-11(6)

4. تحديثات نموذج الوكيل مع الخصوصية التفاضلية

المرحلة 4 هي تحديثات نموذج الوكيل مع الخصوصية التفاضلية. في هذه المرحلة ، يستخدم كل مشارك تواصلي البيانات التركيبية التي تم إنشاؤها بواسطة نموذج الانتشار خلال هذه المرحلة لتدريب نموذج figure-protocol-12 الوكيل الخاص به في هذه المرحلة.
figure-protocol-13(7)
تظل تدرجات تحديثات نموذج الوكيل خاصة بسبب آليات الخصوصية التفاضلية التي تضيف ضوضاء figure-protocol-14 إلى قيمها.
figure-protocol-15(8)
لحماية خصوصية البيانات ، تقوم طرق التشفير المتقدمة (التشفير المتماثل) بتحويل (ξ) التحديثات المعقمة (U) إلى بيانات آمنة ، والتي يتم توزيعها إما من خلال خادم مركزي أو عقد نظيرة متعددة.
figure-protocol-16(9)
من (9) ، ҟ يدل على مفتاح التشفير. من خلال التجميع التعاوني للتحديثات المشفرة ، تحافظ الأنظمة على أمان المعلومات المحلية الحساسة عند إجراء عمليات التعلم الموزعة بشكل آمن.
ينشئ التشفير المتماثل23منصات آمنة لتشغيل العمليات الحسابية على البيانات المشفرة دون فك التشفير قبل السماح بالحصول على النتائج النهائية من المدخلات المشفرة مثل التدرجات الإجمالية. تظل البيانات مشفرة طوال مدتها التشغيلية (من طرف إلى طرف) ، مما يمنع بالتالي الانتهاكات الخارجية أثناء العمليات الحسابية. تسمح المنصة للمشاركين في CPS عبر مواقع مختلفة بتبادل تحديثات البيانات المشفرة لعمليات التعلم التعاونية دون الكشف عن المعلومات الخاصة. وفقا لأهداف الدراسة ، تحافظ هذه التقنية على حماية كاملة للخصوصية كما هو مطلوب وتظهر أداء متفوقا مقارنة بطرق التشفير الأخرى ، مما يستلزم فك تشفير البيانات للحساب ، وبالتالي تعريضها للتهديدات المحتملة. يثبت التشفير المتماثل أنه أنسب طريقة أمان لأنظمة proxyFL لأنه يدعم كلا من العمليات الحسابية الآمنة للبيانات وعمليات التشفير المستقلة.

5. تأمين التفاعلات من نظير إلى نظير

  1. المرحلة 5 هي تفاعلات آمنة من نظير إلى نظير. خلال هذه المرحلة ، ينقل المشاركون بشكل آمن تحديثات نموذج الوكيل المعقم المشفرة ، والتي قاموا بإنشائها في المرحلة 4. يحافظ المشاركون (أنا) على السرية أثناء إرسال التحديثات بفضل التشفير المتماثل ، مما يسهل العمليات الحسابية مثل تجميع التدرج على البيانات المشفرة مباشرة دون الحاجة إلى فك التشفير. يعبر المشاركون عن التواصل بين الند من خلال الأساليب الحسابية على النحو التالي ،
    figure-protocol-17(10)
    من (10) ، من الواضح أن التفاعل / الاتصال الآمن من نظير إلى نظير داخل منصات CPS يتم ضمانه من خلال التشفير المتماثل ، (ξ (·)).
    من خلال تجميع التدرج (Ψ)، تتيح مساهمات التدرج المشفر من عدة مستخدمين التحديث التعاوني لنموذج الوكيل المشترك. تظهر هذه الدراسة التراكم الآمن للتدرجات المشفرة لكل مشارك من خلال التشفير المتماثل.
    figure-protocol-18(11)
    من (11) ، يمثل N عدد المشاركين. تسمح الطريقة أيضا بالحسابات المباشرة على التدرجات المشفرة وتحمي البيانات الحساسة أثناء التجميع. يقوم المشاركون بتحديث نموذج البروكسي من خلال فك تشفير التدرجات المجمعة ، مما يتيح التعلم التعاوني الواعي بالخصوصية عبر شبكة CPS. تحافظ طرق فك التشفير الآمنة على الوصول الخاص إلى التدرجات الفردية لجميع المستخدمين أثناء العملية الكاملة.
    figure-protocol-19(12)
    وبالتالي، فإن قيود التفويض الآمنة تمنع المشاركين الفرديين من الوصول إلى تحديثات البيانات المملوكة لعوامل خارجية. تستخدم الشبكة التحديثات المجمعة للتحسين التعاوني لنماذج الوكيل المشترك لتحقيق التعلم الموزع الآمن مع حماية قوية للخصوصية عبر أنظمة CPS.

6. الكشف عن الشذوذ والنمذجة التنبؤية

  1. أخيرا ، المرحلة 6 هي الكشف عن الحالات الشاذة والنمذجة التنبؤية. في هذه المرحلة، يتم إنشاء نماذج الوكيل المحدثة لخدمة تحليل بيانات CPS الفعلية داخل بيئة سرير اختبار تم تكوينها. تحدد نماذج الوكيل الحالات الشاذة (Ф) من خلال مقارنة البيانات الجديدة (I) مع أنماط مصدرها التوليف والمدخلات التاريخية لتوليد درجة شذوذ (Å) تشير إلى العناصر التي تتجاوز حدا/عتبة محددة مسبقا (τ)، والتي يتم التعبير عنها حسابيا على النحو التالي:
    figure-protocol-20(13)
    figure-protocol-21(14)
    يضمن كل من (13) و (14) أنه يوفر طريقة للتعرف على سلوكيات النظام غير الطبيعية وعيوبها في المراحل المبكرة.
    تتضمن النمذجة التنبؤية باستخدام نماذج الوكيل تمثيلات التعلم التي تنتج تنبؤات حول سلوكيات النظام أو الحالات من تسلسلات بيانات الإدخال الديناميكية / المستقبلية (IF)، ويعبر عنه على النحو التالي:
    figure-protocol-22(15)
    يظهر سير العمل التشغيلي ل GPLF في الشكل 2 يدمج حلقات التغذية الراجعة التكيفية ، والتي تحافظ على موثوقية نظام CPS والملاءمة المستمرة. تؤدي اكتشافات المرحلة 6 للحالات الشاذة أو انحراف النظام إلى تتبع الإجراء إلى العودة إلى المرحلة 3 ، حيث يتم إنشاء بيانات تركيبية جديدة باستخدام إدخالات خاصة محدثة لمساعدة النماذج على التكيف مع الأنماط المتغيرة. يفرض الاختلاف الكبير عن المخرجات أو التنبؤات المتوقعة والدقة الضعيفة التي تم تحديدها خلال المرحلة 6 العودة إلى المرحلة 2 ، حيث يحتاج المشاركون إلى إعادة تدريب نماذجهم باستخدام البيانات المتاحة الأكثر دقة وحداثة. أثناء تقييمات النظام في المرحلة 5 ، إذا ثبت أن تقارب النموذج غير كاف أو أصبح التناقض واضحا ، ينتقل النظام إلى المرحلة 4 لتطبيق التحسينات من خلال البيانات التركيبية المحسنة وتقنيات الخصوصية المحسنة. تؤسس آليات التكرار استعدادا للتعلم التكيفي ، مما يحافظ على أداء النظام القوي والأمان عبر عمليات نظام التحكم والمعالجة.
    قام مزيج قوي من مكونات الأجهزة والبرامج بالتحقق من صحة وظائف GPLF لنشر CPS من خلال عمليات آمنة وقابلة للتطوير. استلزمت متطلبات النظام الأساسي المحددة ل GPLF Ubuntu 20.04 LTS مع تنفيذ Python v3.9 بالإضافة إلى أطر التعلم العميق PyTorch v1.12 و TensorFlow v2.9 لإجراء تدريب على النماذج الخاصة والوكيلة والنشر. تم تقييم أداء النظام جنبا إلى جنب بين برنامج التصور Matplotlib v3.5 مع التصور الإحصائي Seaborn v0.11 وقياس Scikit-learn v1.1 جنبا إلى جنب مع مقاييس الخصوصية من PySyft v0.6.0 للخصوصية التفاضلية و TenSEAL v0.3 للتشفير المتماثل. تضمنت متطلبات الأجهزة معالج AMD EPYC-7502P جنبا إلى جنب مع وحدة معالجة الرسومات A100 التي تعمل بنظام CUDA v11.6 لكفاءة الحساب ومتطلبات الذاكرة بسعة 256 جيجابايت من ذاكرة الوصول العشوائي لدعم مجموعات بيانات CPS الشاملة بالإضافة إلى محرك أقراص SSD سعة 1 تيرابايت متبوعا بشبكة Gigabit Ethernet مصممة لتبادل المعلومات الآمن لإجراء تجارب بحثية فعالة. تلقت خوارزميات GPLF التحقق من الصحة من خلال تكوين النظام هذا ، والذي يحمي البيانات مع إثبات مبادئ قابلية التوسع لتطبيقات CPS في العالم الحقيقي. يحقق تحديد الإصدار التوافق مع التشفير المتقدم بالإضافة إلى التعلم الموحد وتقنيات النموذج التوليدي ، مما يتيح قابلية توسع التحقق من الصحة التي يمكن الاعتماد عليها عبر تطبيقات CPS المتعددة.
    خلال البحث ، اختارت الدراسة بعض المعلمات الفائقة الحيوية التي توازن بين تعظيم الأداء وحماية الخصوصية وقابلية التوسع عبر جميع مراحل GPLF. لتحقيق التوازن بين التعلم المحلي والتعاوني ، حدد الباحثون معدلات تعلم فريدة عند 0.001 و 0.01 للنماذج الخاصة والوكيلة لكنهم حافظوا على الأوزان التي تم تهيئتها من Gaussian لضمان تقارب مستقر. لتجنب الإفراط في التجهيز أثناء معالجة بيانات CPS ، استخدمت عملية التدريب المحلية دفعات من 32 حالة ، كل منها على مدى عشر عصور. تطلب توليد البيانات التركيبية من نموذج الانتشار استخدام عملية من 1000 خطوة عند انحراف معياري للضوضاء 0.05 للحفاظ على دقة الميزة الحرجة. تم تحقيق إخفاء هوية البيانات من خلال الخصوصية التفاضلية من خلال تنفيذ قص التدرج عند 1.0 مع مقياس ضوضاء معدل إلى 0.1 مع الحفاظ على أداة مجموعة البيانات. للتشفير المتماثل ، نظام تشفير Paillier24 يتم استخدامه لمعالجة التدرجات من خلال عمليات مضافة بحتة داخل التعلم الموحد. يتيح نظام التشفير Paillier العمليات المباشرة على المعلومات المشفرة ، مما يلغي متطلبات الاتصال الشاملة في أنظمة الحوسبة الآمنة متعددة الأطراف. تتيح هذه التقنية تجميعا أسرع جنبا إلى جنب مع متطلبات الاتصال المنخفضة التي تؤدي إلى حل فعال وقابل للتطوير للحسابات الآمنة في أنظمة CPS محدودة الموارد. يضمن الحد / العتبة المحددة مسبقا للكشف عن الشذوذ وأفق التنبؤ البالغ عشر خطوات المراقبة الدقيقة واتخاذ القرارات الاستباقية في CPS. من خلال الضبط الدقيق للمعلمات الفائقة، يتم تحقيق توازن مثالي بين مقاييس الأداء والقدرة على التكيف مع النظام من خلال حماية الخصوصية في تطبيقات CPS العملية.
    الجدول 2 يوثق المعلمات الفائقة اللازمة لكل مرحلة من مراحل بحث GPLF والقيم المثلى لتحقيق أفضل أداء عبر المنهجية بأكملها.
    يتم النظر في مجموعتي بيانات بارزتين لتدريب وتقييم النهج المقترح عبر مختلف الجوانب. هم TON_IoT25,26,27,28,29,30,31 و UNSW-NB1532,33,34,35,36 من جامعة نيو ساوث ويلز (UNSW) كانبيرا. تم اختيار كل من مجموعات بيانات TON_IoT و UNSW-NB15 لأنها تحتوي على مجموعة شاملة من شروط CPS. تخدم مجموعات البيانات هذه أغراضا مختلفة لأن TON_IoT تقدم قراءات متنوعة لأجهزة استشعار إنترنت الأشياء جنبا إلى جنب مع نماذج الوضع الصناعي ، وتقدم UNSW-NB15 اختبارا شاملا لبيانات اختراق الشبكات لأنظمة الأمان. يتيح الجمع بين مجموعات بيانات TON_IoT و UNSW-NB15 تقييما كاملا لأداء GPLF في بيئات تشغيلية مختلفة. سيؤدي إدراج مجموعات بيانات جديدة إلى تعزيز الموثوقية التشغيلية لإطار العمل لأننا حددنا هذا القصور كهدف تنموي مستقبلي.
    تمثل مجموعات البيانات TON_IoT مستودعا شاملا للبيانات تم تطويره لاختبار أداء تطبيقات الأمن السيبراني باستخدام الأنظمة القائمة على خوارزمية الذكاء الاصطناعي و ML. في الأكاديمية العسكرية الأسترالية التابعة لجامعة نيو ساوث ويلز ، حيث أنشأ الباحثون مجموعات البيانات هذه من مصادر غير متجانسة تستخدم معلومات القياس عن بعد لأكثر من 10 مستشعرات إنترنت الأشياء الأصلية والصناعية ، بما في ذلك قارئات الطقس وأجهزة استشعار Modbus جنبا إلى جنب مع سجلات نظام التشغيل وحزم الشبكة التي تم التقاطها باستخدام ZEEK (Bro) بتنسيق pcap جنبا إلى جنب مع ملفات السجل وملفات القيم المفصولة بفواصل (CSV). تنشأ مجموعة البيانات هذه من شبكة واقعية تجمع بين مكونات إنترنت الأشياء مع كل من وظائف السحابة وإمكانيات حوسبة الحافة / الضباب ، والتي تمت إدارتها على مضيفين متعددين يقومون بتشغيل أجهزة افتراضية وأنظمة تشغيل مختلفة. مكن النظام الذي تم إنشاؤه الباحثين من إجراء اختبارات للهجمات الإلكترونية ، والتي تشمل هجمات رفض الخدمة الموزعة (DDoS) و DoS ، بالإضافة إلى هجمات برامج الفدية ضد تطبيقات إنترنت الأشياء وشبكات الكمبيوتر ضمن إطار إنترنت الأشياء / إنترنت الأشياء الصناعي المشترك. تتضمن مجموعات البيانات TON_IoT مكونات البيانات الأولية بالإضافة إلى البيانات المعالجة بالميزات والتسميات القياسية ، وعينات التدريب والاختبار ، وأوصاف الميزات ، والملخصات الإحصائية ، والأحداث الأمنية ، جنبا إلى جنب مع ملصقات الحقيقة الأرضية. تستفيد حلول الأمن السيبراني المستندة إلى الذكاء الاصطناعي لآليات الكشف عن البرامج الضارة ، ومعرفات الهوية ، وطرق الكشف عن الاحتيال ، ومنصات ذكاء التهديدات ، جنبا إلى جنب مع عمليات الحفاظ على الخصوصية والطب الشرعي الرقمي ، من مجموعات البيانات TON_IoT بسبب تصميمها التنظيمي المنظم ، والذي يساعد أيضا نماذج التعلم الآلي العدائية وطرق تتبع التهديدات.
    طور مختبر النطاق السيبراني التابع لجامعة نيو ساوث ويلز كانبيرا مجموعة بيانات UNSW-NB15 كمعيار شامل لتقييم نظام الكشف عن التسلل إلى الشبكة. من خلال أداة IXIA PerfectStorm ، يدمج إنشاء مجموعة بيانات UNSW-NB15 كلا من الأنشطة الحديثة العادية الحقيقية مع عروض الهجوم الاصطناعية ، والتي تنتج ما يقدر بنحو 100 جيجابايت من حركة مرور الشبكة التي تم التقاطها بتنسيق pcap. تتكون مجموعة البيانات من تسعة متغيرات هجوم فريدة: التحليل ، و DoS ، و Fuzzers ، و Backdoors ، و Shellcode ، و Exploits ، و Worms ، و Genic ، و Reconnaissance. من خلال الاستفادة من أدوات Argus و Bro-IDS جنبا إلى جنب مع اثنتي عشرة خوارزمية مصممة ، استخرج الباحثون 49 ميزة ووسموا بها ، مما يتيح تحليلا شاملا. يملأ أكثر من 2.5 مليون سجل مجموعة البيانات ، والتي تمتد عبر أربع محطات عمل CSV ويتم تقسيمها إلى 175,341 سجلا لأغراض التدريب و 82,332 سجلا لاختبار الوظائف. يقود الترتيب المنهجي للبيانات ضمن هذا الإطار عمليات التطوير والاختبار لنماذج الكشف عن التسلل.

figure-protocol-23
الشكل 2: سير عمل تشغيل GPLF. سير عمل التشغيل المتسلسل ل GPLF يسلط الضوء على كل خطوة عملية رئيسية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الجدول 2: مواصفات معلمات GPLF. الرجاء النقر هنا لتنزيل هذا الجدول.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقيس مقياس مؤشر تقليل تسرب الخصوصية (PLRI) تقليل تسرب الخصوصية عند مقارنته بنماذج خط الأساس القياسية. يركز التقييم على كيفية أداء الخصوصية التفاضلية والتشفير المتماثل كنهج للحفاظ على الخصوصية.

تقيم درجة تسرب الخصوصية عدد نقاط البيانات المكشوفة بالنسبة لإجمالي التحديثات في النماذج، إلى جانب أنشطة توزيع البيانات التركيبية. يقيم فعالية استراتيجيات الحفاظ على الخصوصية. تحقق الأنظمة حماية فائقة للخصوصية عندما تقف PLRI عند قيم أعلى.

وفقا لتقييمات PLRI من الجدول 3<...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لا تدعم عناصر تصميم GPLF وظائف الخصوصية الخاصة بها فحسب ، بل تقدم أيضا مزايا تكميلية تعزز قدرتها على النشر. من خلال استخدام نماذج الانتشار لإنتاج بيانات تركيبية عالية الدقة ، يوفر إطار العمل طبقات حماية الخصوصية الأساسية للمجالات الأساسية مثل الرعاية الصحية جنبا إلى جنب مع مراقبة البنية التحتية الحيوية مع الحفاظ على قدرات النمذجة التوليدية الدقيقة. تحقق GPLF حماية معززة للخصوصية وكفاءة تعليمية تعاونية أعلى داخل الأنظمة غير المتجانسة من خلال هيكلها المزدوج مع حل المشكلات المتعلقة بتباين ا...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنه لا يوجد تضارب في المصالح فيما يتعلق بنشر هذه المخطوطة. لم تؤثر أي انتماءات مالية أو شخصية على البحث أو النتائج أو الاستنتاجات المقدمة في هذا العمل.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم دعم هذا العمل من قبل مشروع دعم الباحثين بجامعة الأميرة نورة بنت عبد الرحمن رقم (PNURSP2025R432) ، جامعة الأميرة نورة بنت عبد الرحمن ، الرياض ، المملكة العربية السعودية.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
A100 GPU (CUDA)NVIDIACUDA الإصدار 11.6تسريع وحدة معالجة الرسومات لتدريب النموذج وتقييمه.
معالج AMD EPYC-7502P وحدة المعالجةAMDN / Aالمستخدم في الحوسبة عالية الأداء.
شبكة جيجابت إيثرنتIntelN / Aللاتصال الآمن من نظير إلى نظير في CPS.
MatplotlibPython Software Foundationالإصدار 3.5لرسم النتائج.
تشفير Paillierمفتوح المصدر (يتم تنفيذه عبر TenSEAL)N / Aيتيح التشفير المتماثل الإضافي على التدرجات.
PySyftOpenMinedالإصدار 0.6.0الخصوصية التفاضلية ومكتبة التعلم الموحدة.
Python (توزيع أناكوندا)الإصدار 3.9من Anaconda Incالحزم المثبتة مسبقا وأدوات إدارة البيئة ، وتستخدم للبرمجة النصية وتطوير إطار العمل.
PyTorchMeta الذكاء الاصطناعيالإصدار 1.12إطار التعلم العميق لنماذج التدريب.
رامقرصان256 جيجابايت (GB) دعم ذاكرة عالية للتدريب المكثف.
Scikit-learnPython Software Foundationالإصدار 1.1أدوات التعلم الآلي لتقييم الأداء.
الإصدار 0.11من Seaborn Python Software Foundation.
تخزين SSDSeagate1 تيرابايت (تيرابايت)لتخزين البيانات واسترجاعها بسرعة.
TenSEALOpenMinedالإصدار 0.3للتجميع الآمن.
TensorFlowGoogleالإصدار 2.9إطار التعلم العميق لنماذج الانتشار.
Ubuntu OSCanonicalالإصدار 20.04 LTSيستخدم لجميع التجارب.
المركزية مكتبة التصور نظام يتضمن مكتبة تصور البيانات الإحصائية مكتبة التشفير المتجانسة نظام التشغيل

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lu, Y. Cyber physical system (CPS)-based industry 4.0: a survey. J Ind Integr Manage. 2 (03), 1750014(2017).
  2. Jayadatta, S. A study on latest developments in artificial intelligence (AI) and internet of things (IoT) in current context. J Appl Inf Syst. 11 (2), 21-28 (2023).
  3. Li, X., et al. A survey on federated learning systems: vision, hype and reality for data privacy and protection. IEEE Trans Knowl Data Eng. 35 (4), 3347-3366 (2021).
  4. Hathaliya, J. J., Tanwar, S., Sharma, P. Adversarial learning techniques for security and privacy preservation: a comprehensive review. Secur Privacy. 5 (3), e209(2022).
  5. Kalra, S., et al. Decentralized federated learning through proxy model sharing. Nat Commun. 14 (1), 2899(2023).
  6. Dalhues, M., et al. Research and practice of flexibility in distribution systems: a review. CSEE J Power Energy Syst. 5 (3), 285-294 (2019).
  7. Bhuyan, M. H., Bhattacharyya, D. K., Kalita, J. K. Network anomaly detection: methods, systems and tools. IEEE Commun Surv Tutorials. 16 (1), 303-336 (2013).
  8. Du, Y., et al. The age of generative AI and AI-generated everything. IEEE Network. 38 (6), 501-512 (2024).
  9. Tyagi, A. K., Aswathy, S. U., Aghila, G., Sreenath, N. AARIN: affordable, accurate, reliable and innovative mechanism to protect a medical cyber-physical system using blockchain technology. Int J Intell Networks. 2, 175-183 (2021).
  10. Zhang, L., Zhang, Z., Guan, C. Accelerating privacy-preserving momentum federated learning for industrial cyber-physical systems. Complex Intell Syst. 7, 3289-3301 (2021).
  11. Latif, S., et al. AI-empowered, blockchain and SDN integrated security architecture for IoT network of cyber physical systems. Comput Commun. 181, 274-283 (2022).
  12. Nagarajan, S. M., et al. IADF-CPS: intelligent anomaly detection framework towards cyber physical systems. Comput Commun. 188, 81-89 (2022).
  13. Shamshad, S., et al. An efficient privacy-preserving authenticated key establishment protocol for health monitoring in industrial cyber-physical systems. IEEE Internet Things J. 9 (7), 5142-5149 (2022).
  14. Sheikh, Z. A., et al. Defending the defender: adversarial learning based defending strategy for learning based security methods in cyber-physical systems (CPS). Sensors. 23 (12), 5459(2023).
  15. Suhail, S., et al. ENIGMA: an explainable digital twin security solution for cyber-physical systems. Comput Ind. 151, 103961(2023).
  16. Islam, S., et al. Generative AI and cognitive computing-driven intrusion detection system in industrial CPS. Cognit Comput. 16 (5), 2611-2625 (2024).
  17. Namakshenas, D., et al. IP2FL: interpretation-based privacy-preserving federated learning for industrial cyber-physical systems. IEEE Trans Ind Cyber-Phys Syst. 2, 321-330 (2024).
  18. Rivadeneira, J. E., et al. A unified privacy preserving model with AI at the edge for human-in-the-loop cyber-physical systems. Internet Things. 25, 101034(2024).
  19. Wen, J., et al. Sustainable diffusion-based incentive mechanism for generative AI-driven digital twins in industrial cyber-physical systems. IEEE Trans Ind Cyber-Phys Syst. 3, 139-149 (2024).
  20. Chae, J., et al. A survey and perspective on industrial cyber-physical systems (ICPS): from ICPS to AI-augmented ICPS. IEEE Trans Ind Cyber-Phys Syst. 1, 257-272 (2023).
  21. Thomas, D. B., Luk, W., Leong, P. H., Villasenor, J. D. Gaussian random number generators. ACM Comput Surv. 39 (4), 11(2007).
  22. Yazan, E., Talu, M. F. Comparison of the stochastic gradient descent based optimization techniques. 2017 International Artificial Intelligence and Data Processing Symposium (IDAP). , Malatya, Turkey. (2017).
  23. Acar, A., et al. A survey on homomorphic encryption schemes: theory and implementation. ACM Comput Surv. 51 (4), 1-35 (2018).
  24. The homomorphic other property of Paillier cryptosystem. Sridokmai, T., Prakancharoen, S. 2015 International Conference on Science and Technology (TICST), Pathum Thani, Thailand, , (2015).
  25. Moustafa, N. A new distributed architecture for evaluating AI-based security systems at the edge: network TON_IoT datasets. Sustainable Cities Soc. 72, 102994(2021).
  26. Booij, T. M., et al. ToN_IoT: the role of heterogeneity and the need for standardization of features and attack types in IoT network intrusion data sets. IEEE Internet Things J. 9 (1), 485-496 (2021).
  27. Federated TON_IoT Windows datasets for evaluating AI-based security applications. Moustafa, N., et al. 2020 IEEE 19th International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom), Guangzhou, China, , (2020).
  28. Data analytics-enabled intrusion detection: evaluations of ToN_IoT linux datasets. Moustafa, N., Ahmed, M., Ahmed, S. 2020 IEEE 19th International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom), Guangzhou, China, , (1109).
  29. Moustafa, N. New generations of internet of things datasets for cybersecurity applications based machine learning: TON_IoT datasets. Proceedings of the eResearch Australasia Conference, Brisbane, Australia, , (2019).
  30. Moustafa, N. A systemic IoT-fog-cloud architecture for big-data analytics and cyber security systems: a review of fog computing. Secur Edge Comput. , 41-50 (2021).
  31. Ashraf, S., et al. IoTBoT-IDS: a novel statistical learning-enabled botnet detection framework for protecting networks of smart cities. Sustainable Cities Soc. 72, 103041(2021).
  32. UNSW-NB15: a comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set). Moustafa, N., Slay, J. 2015 Military Communications and Information Systems Conference (MilCIS), Canberra, ACT, Australia, , (2015).
  33. Moustafa, N., Slay, J. The evaluation of network anomaly detection systems: statistical analysis of the UNSW-NB15 data set and the comparison with the KDD99 data set. Inf Secur J Global Perspect. 25 (1-3), 18-31 (2016).
  34. Moustafa, N., Slay, J., Creech, G. Novel geometric area analysis technique for anomaly detection using trapezoidal area estimation on large-scale networks. IEEE Trans Big Data. 5 (4), 481-494 (2017).
  35. Moustafa, N., Creech, G., Slay, J. Big Data Analytics for Intrusion Detection System: Statistical Decision-Making Using Finite Dirichlet Mixture Models. Data Analytics and Decision Support for Cybersecurity. Data Analytics. , Springer. Cham. (2017).
  36. Sarhan, M., et al. NetFlow Datasets for Machine Learning-Based Network Intrusion Detection Systems. Big Data Technologies and Applications. BDTA WiCON 2020. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering. , Springer. Cham. (2021).
  37. Alberts, P., et al. Development and implementation of a multi-disciplinary technology enhanced care pathway for youth and adults with concussion. J Vis Exp. (143), e58962(2019).
  38. Yeh, C., et al. An application for pairing with wearable devices to monitor personal health status. J Vis Exp. (180), e63169(2022).
  39. Nogales, A., et al. Integration of 5G experimentation infrastructures into a multi-site NFV ecosystem. J Vis Exp. (168), e61946(2021).
  40. Chen, J. Large scale energy efficient sensor network routing using a quantum processor unit. J Vis Exp. (199), e64930(2023).
  41. Wang, Y., Wang, Z. End-to-end deep neural network for salient object detection in complex environments. J Vis Exp. (202), e65554(2023).
  42. Zhu, E., et al. PHEE: identifying influential nodes in social networks with a phased evaluation-enhanced search. Neurocomputing. 572, 127195(2024).
  43. Liu, Y., et al. Resilient formation tracking for networked swarm systems under malicious data deception attacks. Int J Robust Nonlinear Control. 35 (6), 2043-2052 (2025).
  44. Xu, G., et al. CBRFL: a framework for committee-based byzantine-resilient federated learning. J Network Comput Appl. 238, 104165(2025).
  45. Zhou, W., et al. Hidim: a novel framework of network intrusion detection for hierarchical dependency and class imbalance. Comput Secur. 148, 104155(2025).
  46. Shi, J., Liu, C., Liu, J. Hypergraph-based model for modeling multi-agent Q-learning dynamics in public goods games. IEEE Trans Network Sci Eng. 11 (6), 6169-6179 (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cyber Physical SystemGenerative Artificial IntelligenceProxy LearningFederated LearningDiffusion ModelsSynthetic Sensor DataAnomaly DetectionDifferential PrivacySecure Peer CommunicationPredictive Modeling
Video Coming Soon

Related Articles