Research Article

אסטרטגיית למידת פרוקסי מונעת דיפוזיה עם אינטראקציות עמיתים מאובטחות לאינטליגנציה גנרטיבית במערכת סייבר-פיזית

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

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

כאן אנו מציגים את מסגרת הלמידה הגנרטיבית של פרוקסי (GPLF) המביאה למידה מאוחדת מבוססת פרוקסי (ProxyFL) לשיפור פתרונות בינה מלאכותית גנרטיבית במערכות סייבר-פיזיות (CPS). על ידי שילוב תכונות פרטיות דיפרנציאליות ושיטות הצפנה, GPLF משפר את הגנת הפרטיות, מה שמפחית את דליפת הפרטיות, ובכך הופך את פעולות מערכת הסייבר-פיזית לחכמות ובטוחות יותר.

Abstract

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

מערכת סייבר-פיזיקלית (CPS) משלבת אינטליגנציה חישובית עם תהליכים פיזיים, המאפשרת ניטור מיידי, יכולת קבלת החלטות ושירותי אוטומציה בתחומים חיוניים שונים. יתרה מכך, בינה מלאכותית גנרטיבית (AI) מתמודדת עם חסמים ניכרים לפריסה בתוך CPS מכיוון שסביבות מבוזרות עם נתונים רגישים מציבות אתגרים רציניים לשמירה על פרטיות ואבטחה. טכניקות נוכחיות, כגון למידה מאוחדת (FL), נתקלות בקשיים הן בגיוון המודלים שלהן והן בסיכון שהפרטיות עלולה להיפגע. מסגרת הלמידה הגנרטיבית של פרוקסי (GPLF) משמשת כפתרון החדשני שלנו המשתמש בלמידה מאוחדת מבוססת פרוקסי (ProxyFL) המותאמת במיוחד ליישומי בינה מלאכותית גנרטיבית בתוך מערכות סייבר-פיזיות (CPS). ב-GPLF, כל משתתף שומר על שני מודלים: המשתתפים מפעילים מודל פרטי המוקדש לניתוח נתונים מקומיים יחד עם מודל פרוקסי משותף המאפשר שיתוף פעולה בצומת מוגן. כבסיס החיוני של מנגנוני בינה מלאכותית גנרטיבית, מודלים מתקדמים של דיפוזיה מספקים נתונים סינתטיים בנאמנות גבוהה יחד עם שימור תכונות נתוני מפתח. המודלים מייצרים נתוני חיישנים סינתטיים, המאפשרים זיהוי אנומליה משופר ותומכים במודלים חזויים באמצעות ייצוגי התנהגות CPS אותנטיים בתרחישים שונים. המערכת משיגה הגנת פרטיות מתקדמת עם מנגנוני פרטיות דיפרנציאליים בעדכוני נתוני פרוקסי, בעוד תקשורת עמיתים ישירה ברשת נהנית מהגנות הצפנה מתקדמות. GPLF משרתת פלטפורמות CPS על ידי חיבור לחיישנים בזמן אמת ומכשירי IoT התומכים בתהליכים גנרטיביים מאובטחים, כולל זיהוי חריגות, יצירת נתונים סינתטיים ומודלים חזויים. תוצאות בדיקה ממערכי נתונים של CPS מראות שיפורים ניכרים בביצועים עם 25% פחות דליפת פרטיות ויכולות חילופי נתונים טובות יותר ב-25%, יחד עם שיפור של 18% בדיוק המשימות הגנרטיביות כדי לתמוך בפוטנציאל הטרנספורמטיבי שלה לפעולות CPS מאובטחות וחכמות.

Introduction

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

המחקר חוקר מערכות סייבר-פיזיקליות (CPS) על ידי שילוב של בינה חישובית עם תהליכים בעולם האמיתי כדי לאפשר מעקב בזמן אמת לצד יכולות קבלת החלטות מהירות ואוטומציה של מערכות1. טכנולוגיות האינטרנט של הדברים (IoT) ובינה מלאכותית (AI) מתפתחות מרחיבות משמעותית את מגוון היישומים שבהם מערכות CPS מפעילות פונקציות חיוניות בפיתוח רשת חכמה ותהליכי אוטומציה תעשייתית, כמו גם שירותי אספקת שירותי בריאות2. ארגונים הפורסים CPS משתמשים יותר ויותר במודלים של Generative AI, המספקים את היכולת לחקות את התנהגות המערכת וכן לאפשר מודלים חזויים לצד זיהוי אנומליה משופר. הפורמט המבוזר של נתוני CPS, בשילוב עם התכונות הרגישות שלו, מוביל לפגיעויות פרטיות גדולות לצד בעיות אבטחה ובעיות מדרגיות ביישומי בינה מלאכותית גנרטיבית.

טכניקות קיימות, כגון למידה מאוחדת (FL), מתמקדות בהגנה על פרטיות נתונים אך מתמודדות עם מגבלות, הכוללות את האיום של דליפת פרטיות של עדכוני מודל, יחד עם תמיכה מופחתת ב-Generative AI וטיפול לא מספק בתנאי CPS מגוונים3. הגישות הנוכחיות חסרות את השילוב החיוני של מנגנונים מתקדמים המיועדים הן ליצירת נתונים והן לאמצעי הגנה בעת עבודה ב-CPS מבוזר במהלך פעולה בזמן אמת. מכיוון שהמסגרות הנוכחיות נופלות בתחומים רבים, המחקר הקיים מדגים צרכים משמעותיים שניתן למלא רק על ידי יצירת פתרון חדש המספק מודלים מאובטחים, ניתנים להרחבה וגנרטיביים לצד הגנת פרטיות ברורה4.

המחקר החדש של Generative Proxy Learning Framework (GPLF) מתאר שיטה מעוצבת במיוחד כדי להקל על הפריסה של פונקציות Generative AI בתוך CPS. GPLF מיישמת סכימת FL מבוססת פרוקסי5, כך שמשתמשים יכולים לתפקד עם מודלים פרטיים לבחינת נתונים בודדים ומודלים של פרוקסי כדי לקיים פעילויות למידה שיתופיות מוגנות. מחקר זה מכוון לשיפור פרטיות הנתונים באמצעות יישום גישות פרטיות דיפרנציאליות בשילוב עם הצפנה הומומורפית מאובטחת ומשתמש במודלים מתקדמים של דיפוזיה להפקת נתונים סינתטיים באיכות גבוהה. המערכת תומכת בזיהוי אנומליה מאובטח כמו גם בפונקציות מידול חיזוי תוך מתן אפשרות להעברת מידע יעילה בין פעולות CPS מבוזרות.

GPLF פותר אתגרי FL קיימים באמצעות עיצוב מסגרת המודל הכפול שלו, המציע הגנה על נתונים וגמישות מערכת6. כל משתתף ב-CPS משתמש במודלים פרטיים ומודלים של פרוקסי, המקימים שתי מערכות נפרדות להשגת הגנת פרטיות מקומית ולאפשר יכולות למידה בצוות. המודל הפרטי משתמש בפעולות מקומיות כדי ללמוד מהנתונים הסודיים של המשתתף ושומר על פרטיות נתונים מלאה על ידי אחסון מידע רגיש בפרמטרים של כל משתתף. המערכת משיגה ביצועים מקסימליים בעת זיהוי חריגות וזיהוי דפוסים ברמה מקומית7. מודל הפרוקסי משמש כמנגנון למידה קולקטיבי משותף הזמין לכל המשתתפים לשיתוף ידע מאובטח. מודל הפרוקסי מתאמן עם סודיות באמצעות עיבוד נתונים סינתטיים מחוטאים ממודלים של דיפוזיה והעברת עדכונים הן באמצעות פרטיות דיפרנציאלית והן באמצעות הצפנה הומומורפית מכיוון שזה מאפשר FL פרטי אך פונקציונלי.

אסטרטגיית הדיפוזיה מאפשרת יצירת מערכי נתונים סינתטיים מעולים השומרים על מאפיינים חיוניים תוך הסתרת פרטים אישיים. מחקר זה חשף התקדמות משמעותית, שהתבטאה בירידה משמעותית בדליפת הפרטיות עם פונקציות חילופי נתונים משודרגות וביצועים טובים יותר של משימות גנרטיביות, מה שמאפשר פעולות מערכת סייבר-פיזית עמידות יותר. GPLF יוצרת מתודולוגיה חדשה ל-CPS חכם על ידי איחוד למידה שומרת פרטיות עם יכולות בינה מלאכותית גנרטיבית8.

ה-GPLF מציג יכולות חדשות באמצעות עיצוב המודל הכפול שלו המכוון במיוחד לטיפול בחששות פרטיות בפריסת בינה מלאכותית גנרטיבית ברחבי CPS. בעוד שלמידה מאוחדת קונבנציונלית משתמשת במודל אחד לכל המשתתפים, GPLF פורסת הן מודלים פרטיים לבדיקת נתונים מקומיים והן מודלים של פרוקסי לביצוע משימות למידה קבוצתית. באמצעות הפרדת נתונים קפדנית, המטופלים שומרים על מידע רגיש באופן מקומי אך משתמשים בנתונים הסינתטיים המחוטאים של מודל הפרוקסי בשילוב עם פרטיות דיפרנציאלית כדי להשיג שיתוף פעולה מאובטח. מודל הפרוקסי מבטיח זיהוי אנומליה חזק ומודלים חזויים תוך שמירה על יכולת הסתגלות המערכת באמצעות נתונים סינתטיים באיכות גבוהה שנוצרו על ידי מודלים של דיפוזיה, מה שמבטיח הגנה על פרטיות המשתמשים. GPLF בולטת כמסגרת חדשנית למערכות CPS מאובטחות מכיוון שגישת המודל הכפול שלה מספקת הגנה מחוזקת על הפרטיות יחד עם נתונים מאובטחים תוך שמירה על מדרגיות ויעילות תפעולית.

מטרת המחקר היא לפתח למידה מאוחדת מבוססת פרוקסי (ProxyFL), הדורשת ארכיטקטורה של מודל כפול כדי לאפשר הסתגלות מאובטחת בתוך CPS. יתרה מכך, מודלים מתקדמים של דיפוזיה חיוניים כדי לשמש כנקודת אינטגרציה לייצור נתונים סינתטיים כדי לשמור על מאפייני נתונים חיוניים במהלך הגנות על הפרטיות. לבסוף, יש צורך ליישם שיטות פרטיות דיפרנציאליות לצד פרוטוקולי הצפנה הומומורפיים כדי להבטיח אבטחת נתונים ולהגן על הפרטיות במהלך צבירת שיפוע.

טבלה 1 9,10,11,12,13,14,15,16,17,18,19 מדגישה את תהליכי הליבה של השיטות הקיימות ואת השגתן, עם כמה מגבלות קריטיות.

טבלה 1: סקירה כללית של מיקוד המחקר הקיים, מרכיבי הליבה, ההישגים והמגבלות. אנא לחץ כאן להורדת טבלה זו.

הגישות הקיימות למיזוג בינה מלאכותית גנרטיבית למערכות CPS מדגימות בעיות קריטיות בהתרחבות לפריסות גדולות תוך שמירה על תקנות פרטיות והשגת גמישות מערכת20. השיטות הנוכחיות של FL מראות אילוצים באמצעות מגוון מודלים לא מספיק תוך הפגנת ביצועים חלשים על פני מערכות מפוזרות ומשתנות וחשיפת נתוני משתמשים בגלל שיטות העברת נתונים פגיעות. ייצוגי נתונים בנאמנות גבוהה הנחוצים לזיהוי חריגות, יצירת נתונים סינתטיים ומודלים חזויים ב-CPS חומקים לעתים קרובות מפתרונות מודלים גנרטיביים רבים, שעלולים לפגוע בפרטיות וביעילות החישובית בניסיונותיהם להשיג סטנדרטים אלה. ליקויים נוכחיים במערכת מאשרים את דרישת המסגרת לתמיכה בתהליכי בינה מלאכותית גנרטיבית ניתנים להרחבה, מאובטחים ויעילים.

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

Protocol

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

מסגרת הלמידה של פרוקסי גנרטיבי (GPLF) מייצגת טכנולוגיה חדשה המשלבת בינה מלאכותית גנרטיבית עם CPS ופותרת סוגיות חשובות של פרטיות נתונים לצד מדדי אבטחה וביצועים במערכות רשת מבוזרות. הפונקציונליות של פלטפורמות CPS תלויה בניטור עדכני לצד פעולות אוטומטיות המחלצות קלט נתונים רגיש ממספר הולך וגדל של מכשירי IoT וחיישנים. נמצא כי אימוץ טכנולוגיות בינה מלאכותית גנרטיבית במערכות CPS מציג סכנות מיוחדות כמו פגיעויות פרטיות בשילוב עם אתגרי אבטחה בכל מערכי הרשת המבוזרת. GPLF משיקה מסגרת חדשנית של למידה מאוחדת מבוססת פרוקסי (ProxyFL) התומכת בלמידה שיתופית מאובטחת המיועדת במיוחד למשימות גנרטיביות כדי להפחית בעיות קיימות. הערכה יסודית של מסגרת ה-GPLF התקיימה בפלטפורמת CPS שמיטת הבדיקה שלה שילבה טכנולוגיות רשת חיישנים שונות עם מכשירי IoT והזרמת נתונים בשידור חי.

משתתפי GPLF מריצים שני מודלים נפרדים במהלך השתתפותם.
מודל פרטי בלעדי מתפקד לבדיקת נתונים מקומיים תוך שמירה על נתונים מוגנים מפני גישה חיצונית.
מודל הפרוקסי המשותף5 של המערכת מאפשר שיתוף פעולה בטוח של משתתפים באמצעות טכנולוגיית הצפנה בשילוב שיטות פרטיות דיפרנציאליות.

המסגרת משתמשת במודלים של דיפוזיה כדי ליצור מערכי נתונים סינתטיים משוכללים המניעים יכולות זיהוי אנומליות תוך הצגת מודלים חזויים ומעקב אחר התנהגות המערכת במהלך סימולציות תרחישים מגוונות. מערכי נתונים מסונתזים שומרים על מאפייני תכונות חשובים באמצעות שיטות יעילות לשימור פרטיות. המסגרת מפעילה חילופי עמית לעמית מאובטחים באמצעות טכניקות הצפנה חזקות המגנות על ערוצי תקשורת מפני התקפות זדוניות. ההערכות שבוצעו עם GPLF בפלטפורמות CPS בעולם האמיתי הראו כיצד היא יכולה להביא התקדמות משמעותית ליכולות תפעוליות מאובטחות וחכמות לאורך מגבלות המדרגיות. שיפורים משמעותיים באמצעי זליגת הפרטיות לצד שיפורים משלימים ביכולות חילופי הנתונים ודיוק המשימות הגנרטיביות הוכיחו את ערכו הפונקציונלי ותוצאות הביצועים הקונקרטיות. שלבי הליבה של GPLF כוללים אתחול מבוסס פרוקסי של למידה מאוחדת יחד עם אימון מקומי של נתונים פרטיים, המהווה את עמוד השדרה של GPLF ומשלב עדכוני מודל פרוקסי המוגנים בפרטיות דיפרנציאלית. כלולות גם שיטות ליצירת נתונים סינתטיים במודל מפוזר עם טכניקות ומודולים מאובטחים להחלפת נתונים עמית לעמית לזיהוי חריגות ומודלים חזויים. המבנה המאורגן באיור 1 מציג את האלמנטים החיוניים של GPLF, שיש להם פוטנציאל לייעל את הפעולות הבסיסיות של CPS.

figure-protocol-1
איור 1: מסגרת ארכיטקטונית של GPLF עבור פעולות CPS מאובטחות וחכמות. נועד לאפשר פעולות מאובטחות וחכמות במערכות סייבר-פיזיות. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

הסעיפים הבאים מרחיבים את ששת השלבים של המסגרת לתקשורת מאובטחת בין מכשירים הטרוגניים בפלטפורמת CPS.

1. אתחול למידה מאוחדת מבוססת פרוקסי

שלב 1 הוא אתחול למידה מאוחדת מבוסס פרוקסי, שבו GPLF משתמש בתהליך אתחול FL מבוסס פרוקסי כדי להגדיר את המערכת (N) של כל משתתף CPS עם שני מודלים המבטיחים פרטיות אך מאפשרים למשתתפים לשתף פעולה בצורה מאובטחת באמצעות פונקציונליות למידה. משתתפי CPS בודדים (i) מקבלים מודל figure-protocol-2 פרטי לתפקד עם הנתונים המקומיים שלהם (di) להגנה על הפרטיות לצד מודל figure-protocol-3 פרוקסי משותף כדי לאפשר התנהגות שיתופית מאובטחת בין המשתתפים. המודלים מתחילים את האימון שלהם עם משקולות שנוצרו מערכים אקראיים של התפלגות גאוס21 עבור תנאים התחלתיים מנורמלים, המתבטאים כמו במשוואה (1),
figure-protocol-4(1)
המשתתפים מעבדים את הנתונים שלהם באופן אוטונומי תוך החלפת תובנות באמצעות מודלים משותפים התומכים בלמידה גנרטיבית מבוזרת השומרת על פרטיות במערכות CPS.

2. הדרכה מקומית על נתונים פרטיים

שלב 2 הוא הכשרה מקומית על נתונים פרטיים; כאן מתקיימת הדרכת נתונים, שבה משתתפי CPS מפתחים מודלים פרטיים מהנתונים המקומיים המאוחסנים שלהם כדי לשמור על הגנה מלאה על נתונים באתר על ידי איטומם מפני חשיפה חיצונית. המשתתפים מקבלים הדרכה באופטימיזציה של מודלים מבוססי נתונים באמצעות ירידת שיפוע סטוכסטית (SGD)22 המתרחשת באמצעות פונקציית אובדן מקומית (llocal) ותומכת הן בחילוץ תובנות משמעותיות והן בהתאמות מקומיות תוך שמירה על פרטיות הנתונים.
figure-protocol-5(2)
figure-protocol-6(3)
מ-(2) ו-(3), I ו-O מציינים את קלט הדגימה ואת ערך היעד המתאים. L מציין את האובדן עם קצב למידה (Ɽ). שלב זה מפתח מערכות מודיעין משתתפים בודדות, המשמשות בסיס לתהליכים חינוכיים שיתופיים מאובטחים בעתיד.
הרשת העצבית החוזרת העצמאית (IndRNN) מתפקדת כמודל ה-ML של שלב 2 מכיוון שהארכיטקטורה שלה מאפשרת עצמאות נוירונים בכל שלב זמן לטפל במשימות CPS ספציפיות תוך הפחתת בעיות שיפוע RNN מסורתיות. כל נוירון במערך IndRNN מגיע עם משקל חוזר אינדיבידואלי, המאפשר לכידה טובה יותר של תלות ארוכת טווח. מודל הפעולה הנפרד משפר את שידור השיפוע, אשר מגדיל את מבני הרשת העמוקים ביעילות תוך שמירה על יעילות תהליכים חישוביים. עיבוד נתונים רציף בפלטפורמות CPS מתפקד בצורה הטובה ביותר עם IndRNN בגלל יכולתו לעבד רצפים ארוכים באמצעות דפוסי למידה חזקים תוך שמירה על מורכבות הרשת נמוכה.
חישוב במשוואה (4) מציג את הפתרון לבעיית השיפוע הנעלם והמתפוצץ בתוך IndRNN נובע מהגישה הייחודית שלו לתכנון חיבורים חוזרים.
figure-protocol-7(4)
מ-(4), ω ו-Ht מציינים את המשקל והמצב הנסתר ב-t, בהתאמה. figure-protocol-8 מייצגים את הווקטור בעל מובהקות חוזרת בלתי תלויה (משקולות), אחד לכל נקודת נתונים, המאפשר עצמאות על פני שלבי זמן משתנים. ʘ מציין את תכונות העיצוב תמיכה בכפל מבחינת אלמנטים, השומרת על עצמאות מוחלטת בין הקשרים החוזרים של כל נוירון, ו-ä מציין את פונקציית ההפעלה. תכנון הארכיטקטורה העצבית מונע התרחבות או התכווצות שיפוע לאורך רצף החישובים, מה שתומך באימון מודל למידה יציב והצלחה בלימוד דפוסים מורחבים.
ה-IndRNN הופך לגישה המועדפת לזיהוי אנומליות CPS מכיוון שהוא מונע בהצלחה פיצוצים והיעלמויות שיפוע RNN מסורתיות. תלות לטווח ארוך הופכת קלה למעקב באמצעות ארכיטקטורת IndRNN מכיוון שהיא פועלת עם פחות מורכבויות מדגמי שנאים ומשיגה הן התכנסות מהירה והן פעולה בזמן אמת. האופי היעיל של IndRNN הופך אותו למתאים במיוחד לייצוג המאפיינים התפעוליים המוגבלים במשאבים של CPS תוך מתן זיהוי אנומליה מדויק ללא עומס חישובי מוגזם.

3. מודל דיפוזיה ליצירת נתונים סינתטיים

שלב 3 הוא מודל הדיפוזיה ליצירת נתונים סינתטיים. שלב זה משתמש במודלים מתקדמים של דיפוזיה כדי לייצר נתונים סינתטיים, המשכפלים את המאפיינים העיקריים של נתונים פרטיים שנרכשו. המודלים לומדים את התפלגות הנתונים המקוריים הרגישים לפרטיות באמצעות הוספת רעש מבוקר לאיסוף מאפיינים, מה שעוזר ליצור נתונים סינתטיים בנאמנות גבוהה השומרים על תכונות חשובות תוך הגנה על הגנות הפרטיות. הליך הפחתת הרעשים האיטרטיבי מייצר נתונים סינתטיים, תוך שמירה על מאפיינים סטטיסטיים חיוניים ואלמנטים מבניים של נתונים בפועל.
בתחילה, תהליך האימון של מודל הדיפוזיה הגנרטיבית (Υ) מתמקד ביצירת נתונים סינתטיים בנאמנות גבוהה תוך שמירה על תכונות חיוניות מנתונים פרטיים (di), וחישוב הליבה של דור כזה כרוך,
figure-protocol-9(5)
מ-(5), figure-protocol-10 מציינים את שילוב הרעש הגאוסי בדגימות הנתונים. הנתונים הסינתטיים החדשים שנוצרו באים לידי ביטוי כך,
figure-protocol-11(6)

4. עדכוני מודל פרוקסי עם פרטיות דיפרנציאלית

שלב 4 הוא עדכוני מודל פרוקסי עם פרטיות דיפרנציאלית. בשלב זה, כל משתתף תקשורתי משתמש בנתונים סינתטיים שנוצרו על ידי מודל הדיפוזיה בשלב זה כדי לאמן את מודל figure-protocol-12 הפרוקסי שלו בשלב זה.
figure-protocol-13(7)
שיפועים של עדכוני מודל פרוקסי נשארים פרטיים עקב מנגנוני פרטיות דיפרנציאליים המוסיפים רעש figure-protocol-14 לערכים שלהם.
figure-protocol-15(8)
כדי להגן על פרטיות הנתונים, שיטות הצפנה מתקדמות (הצפנה הומומורפית) הופכות (ξ) עדכונים מחוטאים (U) לנתונים מאובטחים, המופצים דרך שרת מרכזי או צמתי עמיתים מרובים.
figure-protocol-16(9)
מ-(9), ҟ מסמל את מפתח ההצפנה. באמצעות צבירה שיתופית של עדכונים מוצפנים, מערכות שומרות על אבטחת מידע מקומי רגיש בעת ביצוע פעולות למידה מבוזרות בצורה מאובטחת.
הצפנה הומומורפית23יוצרת פלטפורמות מאובטחות להפעלת חישובים על נתונים מוצפנים ללא פענוח לפני שהיא מאפשרת לקבל תוצאות סופיות מקלטים מוצפנים כמו שיפועים מצטברים. הנתונים נשארים מוצפנים לכל אורך הזמן התפעולי שלהם (מקצה לקצה), מה שמונע כתוצאה מכך פריצות חיצוניות במהלך תהליכים חישוביים. הפלטפורמה מאפשרת למשתתפי CPS במיקומים שונים להחליף עדכוני נתונים מוצפנים לפעולות למידה שיתופיות מבלי לחשוף מידע פרטי. בהתאם למטרות המחקר, טכניקה זו שומרת על הגנה מלאה על הפרטיות כנדרש ומציגה ביצועים מעולים בהשוואה לשיטות הצפנה אחרות, המחייבות פענוח נתונים לצורך חישוב, ובכך חושפת אותו לאיומים פוטנציאליים. הצפנה הומומורפית מוכיחה את עצמה כשיטת האבטחה המתאימה ביותר למערכות proxyFL מכיוון שהיא תומכת הן בחישובים מאובטחים על נתונים והן בפעולות הצפנה עצמאיות.

5. אינטראקציות עמית לעמית מאובטחות

  1. שלב 5 הוא אינטראקציות עמית לעמית מאובטחות. במהלך שלב זה, המשתתפים משדרים בצורה מאובטחת את עדכוני מודל ה-proxy המוצפנים שלהם, שהם יצרו בשלב 4. המשתתפים (i) שומרים על סודיות בזמן שידור עדכונים הודות להצפנה הומומורפית, המאפשרת חישובים כמו צבירת שיפוע על נתונים מוצפנים ישירות ללא צורך בפענוח. המשתתפים מבטאים תקשורת עמית לעמית באמצעות שיטות חישוביות כגון,
    figure-protocol-17(10)
    מ-(10), ניכר כי האינטראקציה/תקשורת המאובטחת בין עמית לעמית בתוך פלטפורמות CPS מובטחת באמצעות הצפנה הומומורפית, (ξ(·)).
    באמצעות צבירת שיפוע (Ψ), תרומות שיפוע מוצפנות ממספר משתמשים מאפשרות עדכון שיתופי של מודל ה-proxy המשותף. מחקר זה מראה את ההצטברות המאובטחת של השיפועים המוצפנים של כל משתתף באמצעות הצפנה הומומורפית.
    figure-protocol-18(11)
    מ- (11), N מייצג את ספירת המשתתף. השיטה מאפשרת גם חישובים ישירים על שיפועים מוצפנים ומגנה על נתונים רגישים במהלך הצבירה. המשתתפים מעדכנים את מודל הפרוקסי באמצעות פענוח שיפועים מצטברים, המאפשר למידה שיתופית מודעת לפרטיות בכל רשת CPS. שיטות פענוח מאובטחות שומרות על גישה פרטית לשיפועים בודדים עבור כל המשתמשים במהלך התהליך השלם.
    figure-protocol-19(12)
    לפיכך, הגבלות הרשאה מאובטחות מונעות ממשתתפים בודדים לגשת לעדכוני נתונים בבעלות גורמים חיצוניים. הרשת משתמשת בעדכונים מצטברים לשיפור שיתופי של מודלים משותפים של פרוקסי כדי להשיג למידה מבוזרת מאובטחת עם הגנות פרטיות חזקות במערכות CPS.

6. זיהוי אנומליות ומודלים חזויים

  1. לבסוף, שלב 6 הוא זיהוי חריגות ומודלים חזויים. בשלב זה, מודלי ה-proxy המעודכנים מוקמים כדי לשמש לניתוח נתוני CPS בפועל בתוך סביבת מיטת בדיקה מוגדרת. מודלי הפרוקסי מזהים אנומליות (Ф) על ידי השוואת נתונים חדשים (I) עם דפוסים שמקורם בסינתזה ותשומות היסטוריות כדי ליצור ציון אנומליה (Å) המסמן אלמנטים החורגים מגבול/סף שנקבע מראש (τ), המתבטא באופן חישובי כ-
    figure-protocol-20(13)
    figure-protocol-21(14)
    גם (13) וגם (14) מבטיחים שהוא מספק שיטה לזיהוי התנהגויות ותקלות חריגות במערכת בשלבים מוקדמים.
    מודלים חזויים עם מודלים של פרוקסי כוללים ייצוגים של למידה המייצרים תחזיות לגבי התנהגויות או מצבים של המערכת מרצפי נתוני קלט דינמיים/עתידיים (IF), המתבטא כך,
    figure-protocol-22(15)
    זרימת העבודה התפעולית של GPLF הודגמה ב איור 2 משלב לולאות משוב אדפטיביות, השומרות הן על אמינות מערכת CPS והן על רלוונטיות מתמשכת. זיהוי שלב 6 של חריגות או סחיפה של המערכת מוביל את ההליך לשחזר את צעדיו לשלב 3, שבו נוצרים נתונים סינתטיים חדשים באמצעות ערכים פרטיים מעודכנים כדי לעזור למודלים להסתגל לדפוסים משתנים. סטייה משמעותית מהתפוקות או התחזיות הצפויות ודיוק גרוע שזוהו במהלך שלב 6 מאלצים חזרה לשלב 2, שבו המשתתפים צריכים לאמן מחדש את המודלים שלהם באמצעות הנתונים המדויקים והעדכניים ביותר הזמינים. במהלך הערכות מערכת שלב 5, אם התכנסות המודל מתגלה כלא מספקת או מתגלות חוסר עקביות, המערכת חוזרת לשלב 4 כדי ליישם שיפורים באמצעות נתונים סינתטיים משופרים וטכניקות פרטיות אופטימליות. מנגנוני הלולאה יוצרים מוכנות ללמידה אדפטיבית, השומרת על ביצועי מערכת חזקים ואבטחה בכל פעולות מערכת הבקרה והתהליכים.
    תערובת חזקה של רכיבי חומרה ותוכנה אימתה את פונקציות ה-GPLF לפריסת CPS באמצעות פעולות מאובטחות וניתנות להרחבה. דרישות הפלטפורמה הספציפיות עבור GPLF כללו את אובונטו 20.04 LTS עם יישום Python v3.9 בתוספת מסגרות למידה עמוקה PyTorch v1.12 ו-TensorFlow v2.9 לביצוע הדרכה עבור מודלים פרטיים, פרוקסי ודיפוזיה. הערכת ביצועי המערכת שילבה תוכנת הדמיה Matplotlib v3.5 עם הדמיה סטטיסטית של Seaborn v0.11 והשוואת ביצועים של Scikit-learn v1.1 לצד אמצעי פרטיות מ-PySyft v0.6.0 לפרטיות דיפרנציאלית ו-TenSEAL v0.3 להצפנה הומומורפית. דרישות החומרה כללו מעבד AMD EPYC-7502P יחד עם A100 GPU המריץ CUDA v11.6 ליעילות חישוב ודרישות זיכרון של 256 GB RAM לתמיכה במערכי נתונים נרחבים של CPS כמו גם SSD של 1 TB ואחריו רשת Gigabit Ethernet המיועדת להחלפת מידע מאובטחת כלולים לביצוע ניסויי המחקר היעילים. אלגוריתמי GPLF קיבלו אימות באמצעות תצורת מערכת זו, שהגנה על נתונים תוך הוכחת עקרונות מדרגיות עבור יישומי CPS בעולם האמיתי. בחירת גרסאות משיגה תאימות עם הצפנה מתקדמת כמו גם למידה מאוחדת וטכניקות מודל גנרטיבי, המאפשרות מדרגיות אימות מהימנה על פני יישומי CPS מרובים.
    במהלך המחקר, המחקר בחר בכמה היפרפרמטרים חיוניים שאיזנו את מקסום הביצועים עם הגנה על פרטיות ומדרגיות בכל שלבי ה-GPLF. כדי לאזן בין למידה מקומית ללמידה שיתופית, החוקרים קבעו שיעורי למידה ייחודיים ב-0.001 ו-0.01 עבור מודלים פרטיים ומודלים פרוקסי, אך שמרו על משקלים מאותחלים של גאוס כדי להבטיח התכנסות יציבה. כדי למנוע התאמת יתר בזמן עיבוד נתוני CPS, תהליך ההדרכה המקומי השתמש בקבוצות של 32 מופעים, כל אחד על פני עשר תקופות. הפקת נתונים סינתטיים דרשה ממודל הדיפוזיה להשתמש בתהליך של 1000 שלבים בסטיית תקן רעש של 0.05 כדי לשמור על דיוק תכונות קריטיות. אנונימיזציה של נתונים באמצעות פרטיות דיפרנציאלית הושגה על ידי יישום חיתוך שיפוע ב-1.0 עם סולם רעש המותאם ל-0.1 תוך שמירה על שירות מערך הנתונים. עבור הצפנה הומומורפית, מערכת ההצפנה של Paillier24 משמש לעיבוד שיפועים באמצעות פעולות תוספות בלבד בתוך למידה מאוחדת. מערכת ההצפנה Paillier מאפשרת פעולות ישירות על מידע מוצפן, מה שמבטל דרישות תקשורת נרחבות במערכות חישוב מאובטחות מרובות צדדים. טכניקה זו מאפשרת צבירה מהירה יותר יחד עם דרישות תקשורת מופחתות המובילות לפתרון מדרגי ויעיל לחישובים מאובטחים במערכות CPS מוגבלות במשאבים. זיהוי האנומליה הגבול/סף שנקבע מראש ואופק חיזוי של עשרה שלבים הבטיחו ניטור מדויק וקבלת החלטות יזומה ב-CPS. באמצעות כוונון עדין של היפרפרמטרים, מושג איזון מושלם בין מדדי ביצועים ויכולת הסתגלות של המערכת עם הגנת פרטיות ביישומי CPS מעשיים.
    טבלה 2 מתעד את ההיפרפרמטרים הדרושים לכל שלב במחקר GPLF ואת הערכים האופטימליים להשגת הביצועים הטובים ביותר בכל המתודולוגיה.
    שני מערכי נתונים בולטים נחשבים להכשרה והערכה של הגישה המוצעת בהיבטים שונים. הם TON_IoT25,26,27,28,29,30,31 ו-UNSW-NB1532,33,34,35,36 מאוניברסיטת ניו סאות' ויילס (UNSW) בקנברה. גם מערכי הנתונים של TON_IoT וגם UNSW-NB15 נבחרו מכיוון שהם מכילים מגוון מקיף של תנאי CPS. מערכי נתונים אלה משרתים מטרות שונות מכיוון TON_IoT מציג קריאות חיישני IoT מגוונות בשילוב עם מודלים של מצב תעשייתי, ו-UNSW-NB15 מציע בדיקות נתוני חדירה נרחבות לרשת עבור מערכות אבטחה. השילוב של מערכי נתונים של TON_IoT ו-UNSW-NB15 מאפשר הערכת ביצועים מלאה של GPLF במסגרות תפעוליות שונות. הכללת מערכי נתונים חדשים תגביר את האמינות התפעולית של המסגרת מכיוון שזיהינו את החיסרון הזה כיעד פיתוח עתידי.
    מערכי הנתונים של TON_IoT מייצגים מאגר נתונים נרחב שפותח כדי לבדוק את ביצועי יישומי אבטחת הסייבר באמצעות מערכות מבוססות אלגוריתם AI ו-ML. באקדמיה הצבאית האוסטרלית תחת UNSW, שם החוקרים יצרו את מערכי הנתונים הללו ממקורות הטרוגניים המשתמשים במידע טלמטריה של למעלה מ-10 חיישני IoT מקומיים ותעשייתיים, כולל קוראי מזג אוויר וחיישני Modbus יחד עם יומני מערכת הפעלה ומנות רשת שנלכדו עם ZEEK (Bro) בפורמט pcap בשילוב עם קבצי יומן וקבצי ערכים מופרדים בפסיקים (CSV). מערך נתונים זה מקורו ברשת בעולם האמיתי המשלבת רכיבי IoT הן עם פונקציות ענן והן עם יכולות מחשוב קצה/ערפל, אשר נוהלו על מספר מארחים המריצים מכונות וירטואליות ומערכות הפעלה שונות. המערכת שנבנתה אפשרה לחוקרים לבצע בדיקות של מתקפות סייבר, הכוללות מניעת שירות מבוזרת (DDoS) ומתקפות DoS, כמו גם התקפות כופר נגד יישומי IoT ורשתות מחשבים במסגרת האינטרנט של הדברים / IoT תעשייתי. מערכי נתונים TON_IoT כוללים רכיבי נתונים גולמיים כמו גם נתונים מעובדים עם תכונות ותוויות סטנדרטיות, דוגמאות הדרכה ובדיקה, תיאורי תכונות, סיכומים סטטיסטיים ואירועי אבטחה, יחד עם תוויות אמת קרקעיות. פתרונות אבטחת סייבר מונעי בינה מלאכותית למנגנוני זיהוי תוכנות זדוניות, IDS, שיטות זיהוי הונאה ופלטפורמות מודיעין איומים, יחד עם תהליכי שימור פרטיות וזיהוי פלילי דיגיטלי, נהנים ממערכי נתונים TON_IoT בגלל העיצוב הארגוני המובנה שלהם, המסייע גם למודלים יריבים של ML ושיטות ציד איומים.
    מעבדת טווח הסייבר של UNSW קנברה פיתחה את מערך הנתונים UNSW-NB15 כסטנדרט מקיף להערכת מערכת גילוי חדירה לרשת. באמצעות הכלי IXIA PerfectStorm, יצירת מערך הנתונים UNSW-NB15 ממזגת הן פעילויות מודרניות רגילות אמיתיות עם הדגמות התקפה סינתטיות, מה שמייצר כ-100 ג'יגה-בייט של תעבורת רשת שנלכדה בפורמט pcap. מערך הנתונים כולל תשע גרסאות תקיפה ייחודיות: ניתוח, DoS, Fuzzers, דלתות אחוריות, Shellcode, Exploits, Worms, Generic ו-Reconnaissance. תוך מינוף כלי Argus ו-Bro-IDS יחד עם שנים עשר אלגוריתמים מתוכננים, החוקרים חילצו ותייגו 49 תכונות, מה שמאפשר ניתוח ממצה. יותר מ-2.5 מיליון רשומות מאכלסות את מערך הנתונים, המשתרע על פני ארבע תחנות עבודה CSV ומחולק ל-175,341 רשומות למטרות הדרכה ו-82,332 רשומות לבדיקת פונקציונליות. הסידור השיטתי של הנתונים במסגרת זו מניע הן תהליכי פיתוח והן תהליכי בדיקה עבור מודלים לזיהוי חדירות.

figure-protocol-23
איור 2: זרימת עבודה של GPLF. זרימת העבודה הרציפה של GPLF מדגישה כל שלב מרכזי בתהליך. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

טבלה 2: מפרטי פרמטרים של GPLF. אנא לחץ כאן להורדת טבלה זו.

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

Results

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

מדד הפחתת דליפת הפרטיות (PLRI) מודד את הפחתת דליפת הפרטיות בהשוואה למודלים בסיסיים סטנדרטיים. ההערכה מתמקדת באופן שבו פרטיות דיפרנציאלית והצפנה הומומורפית מתפקדות כגישות לשימור פרטיות.

ציון דליפת הפרטיות מעריך את מספר נקודות הנתונים החשופות ביחס לסך העדכונים במודלים, יחד עם פעילויות הפצת נתונים סינתטיים. הוא מעריך את היעילות של אסטרטגיות לשמירה על הפרטיות. מערכות משיגות הגנת פרטיות מעולה כאשר ה-PLRI שלהן עומד בערכים גבוהים יותר.

על פי הערכות PLRI מטבלה 3

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

Discussion

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

מרכיבי העיצוב של GPLF לא רק תומכים בפונקציות הפרטיות שלו אלא גם מספקים יתרונות משלימים המשפרים את יכולת הפריסה שלו. על ידי שימוש במודלים של דיפוזיה להפקת נתונים סינתטיים בנאמנות גבוהה, המסגרת מספקת שכבות הגנה חיוניות על פרטיות לתחומים חיוניים כמו בריאות לצד ניטור תשתיות קריטיות תוך שמירה על יכולות מודלים גנרטיביים מדויקים. GPLF משיגה הן הגנה משופרת על פרטיות והן יעילות למידה שיתופית גבוהה יותר בתוך מערכות הטרוגניות באמצעות מבנה המודל הכפול שלה תוך פתרון בעיות הקשורות לשונות המשתתפים וחוס...

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

Disclosures

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

המחברים מצהירים כי אין ניגוד עניינים בנוגע לפרסום כתב יד זה. שום קשרים כלכליים או אישיים לא השפיעו על המחקר, התוצאות או המסקנות המוצגות בעבודה זו.

Acknowledgements

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

עבודה זו נתמכה על ידי חוקרים תומכים בפרויקט מספר (PNURSP2025R432) של אוניברסיטת הנסיכה נורה בינת עבד אל-רחמן, ריאד, ערב הסעודית.

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 גרסה 11.6האצת GPU לאימון והערכה של מודלים.
מעבד AMD EPYC-7502PAMDN/Aמעבד המשמש למחשוב בעל ביצועים גבוהים.
Gigabit EthernetN/ANetworking לתקשורת מאובטחת עמית לעמית ב-CPS.
MatplotlibPython Software Foundationגרסה 3.5ספריית הדמיה להתוויית תוצאות.
קוד פתוח של Paillier Cryptosystem(מיושם באמצעות TenSEAL)N/Aמאפשר הצפנה הומומורפית תוספת בשיפועים.
PySyftOpenMinedגרסה 0.6.0פרטיות דיפרנציאלית וספריית למידה מאוחדת.
Python (הפצת אנקונדה)Anaconda Incגרסה 3.9כוללת חבילות מותקנות מראש וכלי ניהול סביבה, המשמשים לסקריפטים ופיתוח מסגרות.
PyTorchMeta AIגרסה 1.12מסגרת למידה עמוקה למודלים של אימון.
זיכרון RAMCorsair256 ג'יגה-בייט (GB) תמיכה גבוהה בזיכרון לאימונים אינטנסיביים.
Scikit-learnPython Software Foundationגרסה 1.1כלי למידת מכונה להערכת ביצועים.
SeabornPython Software Foundationגרסה 0.11ספריית הדמיית נתונים סטטיסטיים.
אחסון SSDSeagate1 טרה-בייט (TB)לאחסון ואחזור נתונים מהירים.
TenSEALOpenMinedגרסה 0.3ספריית הצפנה הומומורפית לצבירה מאובטחת.
TensorFlowGoogleגרסה 2.9מסגרת למידה עמוקה למודלים של דיפוזיה.
מערכת ההפעלה UbuntuOS Canonicalגרסה 20.04 LTSהמשמשת לכל הניסויים.
Intel

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