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 التنبؤ....

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 ....

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 c....

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