Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Strategia uczenia się proxy sterowana dyfuzją z bezpiecznymi interakcjami rówieśniczymi dla inteligencji generatywnej w systemie cyberfizycznym

730 wyświetleń

⸱

DOI:

10.3791/68383

⸱

27 czerwca 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

W tym artykule

Podsumowanie

Tutaj prezentujemy Generative Proxy Learning Framework (GPLF), który wprowadza Proxy-based Federated Learning (ProxyFL) w celu ulepszenia rozwiązań Generative AI w systemach cyber-fizycznych (CPS). Integrując funkcje prywatności różnicowej i metody szyfrowania, GPLF zwiększa ochronę prywatności, co zmniejsza wyciek prywatności, dzięki czemu operacje systemu cyberfizycznego są inteligentniejsze i bezpieczniejsze.

Streszczenie

System Cyber-Fizyczny (CPS) łączy inteligencję obliczeniową z procesami fizycznymi, co umożliwia natychmiastowe monitorowanie, podejmowanie decyzji i usługi automatyzacji w różnych kluczowych dziedzinach. Co więcej, generatywna sztuczna inteligencja (AI) napotyka znaczne bariery we wdrażaniu w CPS, ponieważ rozproszone środowiska z wrażliwymi danymi stanowią poważne wyzwanie dla utrzymania prywatności i bezpieczeństwa. Obecne techniki, takie jak Federated Learning (FL), napotykają trudności zarówno pod względem różnorodności modeli, jak i ryzyka naruszenia prywatności. Generative Proxy Learning Framework (GPLF) służy jako nasze innowacyjne rozwiązanie, które wykorzystuje ProxyFL oparte na Proxy-based Federated Learning (ProxyFL) specjalnie dostosowane do zastosowań generatywnej sztucznej inteligencji w systemach cyberfizycznych (CPS). W GPLF każdy uczestnik utrzymuje dwa modele: Uczestnicy korzystają z prywatnego modelu dedykowanego do lokalnej analizy danych wraz z modelem współdzielonego proxy, który umożliwia współpracę między chronionymi węzłami. Zaawansowane modele dyfuzyjne, będące podstawową podstawą mechanizmów generatywnej sztucznej inteligencji, dostarczają dane syntetyczne o wysokiej wierności wraz z zachowaniem kluczowych cech danych. Modele generują syntetyczne dane z czujników, co umożliwia lepsze wykrywanie anomalii i obsługuje modelowanie predykcyjne dzięki autentycznym reprezentacjom zachowania CPS w różnych scenariuszach. System osiąga zaawansowaną ochronę prywatności dzięki różnicowym mechanizmom prywatności w aktualizacjach danych proxy, podczas gdy bezpośrednia komunikacja równorzędna w sieci korzysta z zaawansowanych zabezpieczeń szyfrowania. GPLF obsługuje platformy CPS, łącząc się z czujnikami czasu rzeczywistego i urządzeniami IoT, które obsługują bezpieczne procesy generatywne, w tym wykrywanie anomalii, tworzenie danych syntetycznych i modelowanie predykcyjne. Wyniki testów porównawczych zestawów danych CPS wskazują na znaczną poprawę wydajności dzięki 25% mniejszemu wyciekowi prywatności i 25% lepszym możliwościom wymiany danych, a także 18% poprawie dokładności zadań generatywnych, co potwierdza jego potencjał transformacyjny w zakresie bezpiecznych, inteligentnych operacji CPS.

Wprowadzenie

Badania badają systemy cyber-fizyczne (CPS), łącząc inteligencję obliczeniową z rzeczywistymi procesami, aby umożliwić nadzór w czasie rzeczywistym wraz z możliwościami szybkiego podejmowania decyzji i automatyzacji systemu1. Pojawiające się technologie Internetu Rzeczy (IoT) i sztucznej inteligencji (AI) znacznie rozszerzają zakres zastosowań, w których systemy CPS obsługują podstawowe funkcje w zakresie rozwoju inteligentnych sieci i procesów automatyzacji przemysłowej, a także usług świadczenia opieki zdrowotnej2. Organizacje wdrażające CPS coraz częściej wykorzystują generatywne modele sztucznej inteligencji, które zapewniają możliwość naśladowania zachowania systemu, a także umożliwiają modelowanie predykcyjne wraz z ulepszonym wykrywaniem anomalii. Rozproszony format danych CPS w połączeniu z ich wrażliwymi atrybutami prowadzi do poważnych luk w zabezpieczeniach prywatności, a także problemów z bezpieczeństwem i skalowalnością we wdrożeniach generatywnej sztucznej inteligencji.

Istniejące techniki, takie jak Federated Learning (FL), koncentrują się na ochronie prywatności danych, ale napotykają ograniczenia, które obejmują groźbę wycieku prywatności aktualizacji modelu, wraz z ograniczonym wsparciem dla Generative AI i nieodpowiednią obsługą różnych warunków CPS3. Obecne podejścia nie mają niezbędnej integracji zaawansowanych mechanizmów zaprojektowanych zarówno do generowania danych, jak i środków ochrony podczas pracy w rozproszonym CPS podczas pracy w czasie rzeczywistym. Ponieważ obecne ramy są niewystarczające w wielu obszarach, istniejące badania wskazują na znaczne potrzeby, które można zaspokoić tylko poprzez stworzenie nowego rozwiązania, które zapewnia bezpieczne, skalowalne, generatywne modele wraz z wyraźną ochroną prywatności4.

Nowe badanie Generative Proxy Learning Framework (GPLF) przedstawia specjalnie opracowaną metodę ułatwiającą wdrażanie funkcji generatywnej sztucznej inteligencji w CPS. GPLF implementuje oparty na proxy schemat FL 5, dzięki czemu użytkownicy mogą korzystać z prywatnych modeli do indywidualnego badania danych i modeli proxy w celu podtrzymania chronionych działań opartych na wspólnym uczeniu się. Badania te mają na celu poprawę prywatności danych poprzez zastosowanie różnicowych podejść do prywatności w połączeniu z bezpiecznym szyfrowaniem homomorficznym i wykorzystują zaawansowane modele dyfuzji do produkcji wysokiej jakości danych syntetycznych. System obsługuje bezpieczne wykrywanie anomalii, a także funkcje modelowania predykcyjnego, umożliwiając jednocześnie wydajny transfer informacji między rozproszonymi operacjami CPS.

GPLF rozwiązuje istniejące problemy FL dzięki dwumodelowemu projektowi ramowemu, który oferuje ochronę danych i elastyczność systemu6. Każdy uczestnik CPS korzysta zarówno z modelu prywatnego, jak i proxy, które ustanawiają dwa oddzielne systemy w celu zapewnienia lokalnej ochrony prywatności i umożliwienia uczenia się zespołowego. Model prywatny wykorzystuje zlokalizowane operacje do uczenia się na podstawie poufnych danych uczestnika i zachowuje pełną prywatność danych, przechowując poufne informacje w parametrach każdego uczestnika. System osiąga maksymalną wydajność podczas wykrywania anomalii i rozpoznawania wzorców na poziomie lokalnym7. Model proxy służy jako wspólny mechanizm zbiorowego uczenia się dostępny dla wszystkich uczestników w celu bezpiecznego udostępniania wiedzy. Model proxy trenuje z zachowaniem poufności poprzez oczyszczone przetwarzanie danych syntetycznych z modeli dyfuzyjnych i przekazywanie aktualizacji zarówno za pośrednictwem prywatności różnicowej, jak i szyfrowania homomorficznego, ponieważ umożliwia to prywatny, ale funkcjonalny FL.

Strategia dyfuzji umożliwia tworzenie doskonałych syntetycznych zestawów danych, które zachowują podstawowe cechy, jednocześnie ukrywając dane osobowe. Badania te ujawniły znaczne postępy, które przejawiły się w znacznym spadku wycieku prywatności dzięki ulepszonym funkcjom wymiany danych i lepszej wydajności zadań generatywnych, umożliwiając bardziej odporne operacje systemów cyberfizycznych. GPLF tworzy nową metodologię dla inteligentnego CPS, łącząc naukę chroniącą prywatność z możliwościami generatywnej sztucznej inteligencji8.

GPLF prezentuje nowatorskie możliwości dzięki projektowi bliźniaczego modelu, specjalnie ukierunkowanemu na rozwiązywanie problemów związanych z prywatnością we wdrażaniu generatywnej sztucznej inteligencji w CPS. Podczas gdy konwencjonalne uczenie federacyjne używa jednego modelu dla wszystkich uczestników, GPLF wdraża zarówno modele prywatne do lokalnego badania danych, jak i modele proxy do wykonywania zadań uczenia się grupowego. Dzięki ścisłej separacji danych pacjenci utrzymują poufne informacje lokalnie, ale używają oczyszczonych danych syntetycznych modelu proxy w połączeniu z prywatnością różnicową w celu osiągnięcia bezpiecznej współpracy. Model proxy zapewnia niezawodne wykrywanie anomalii i modelowanie predykcyjne przy jednoczesnym zachowaniu zdolności adaptacyjnych systemu dzięki wysokiej jakości danym syntetycznym generowanym przez modele dyfuzyjne, zapewniając ochronę prywatności użytkownika. GPLF wyróżnia się jako innowacyjna platforma dla bezpiecznych systemów CPS, ponieważ jej dwumodelowe podejście zapewnia wzmocnioną ochronę prywatności wraz z bezpiecznymi danymi przy zachowaniu skalowalności i wydajności operacyjnej.

Celem badania jest opracowanie Proxy-Based Federated Learning (ProxyFL), które wymaga architektury dwumodelowej, aby umożliwić bezpieczną adaptację w CPS. Co więcej, zaawansowane modele dyfuzji są niezbędne, aby służyć jako punkt integracji do tworzenia danych syntetycznych w celu zachowania podstawowych cech danych podczas ochrony prywatności. Wreszcie, konieczne jest wdrożenie metod prywatności różnicowej wraz z homomorficznymi protokołami szyfrowania, aby zapewnić bezpieczeństwo danych i chronić prywatność podczas agregacji gradientów.

Tabela 19,10,11,12,13,14,15,16,17,18,19 Podkreśla podstawowe procesy istniejących metod i ich osiągnięcia z kilkoma krytycznymi ograniczeniami.

Tabela 1: Przegląd istniejących kluczowych kierunków badań, głównych komponentów, osiągnięć i ograniczeń. Kliknij tutaj, aby pobrać tę tabelę.

Istniejące podejścia do łączenia generatywnej sztucznej inteligencji z systemami CPS wykazują krytyczne problemy z rozszerzeniem do dużych wdrożeń przy jednoczesnym zachowaniu przepisów dotyczących prywatności i osiągnięciu elastyczności systemu20. Obecne metody FL wykazują ograniczenia wynikające z niewystarczającej różnorodności modeli, a jednocześnie wykazują słabą wydajność w systemach rozproszonych i zmiennych oraz ujawniają dane użytkowników z powodu podatnych na ataki praktyk transmisji danych. Reprezentacje danych o wysokiej wierności niezbędne do wykrywania anomalii, generowania danych syntetycznych i modelowania predykcyjnego w CPS często umykają wielu rozwiązaniom modelowania generatywnego, co może zagrozić prywatności i wydajności obliczeniowej w próbach osiągnięcia tych standardów. Obecne braki systemowe potwierdzają wymóg ramowy dotyczący obsługi skalowalnych, bezpiecznych i wydajnych procesów generatywnej sztucznej inteligencji.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Struktura Generatywnego Uczenia Zastępczego (Generative Proxy Learning Framework, GPLF) stanowi nową technologię integrującą generatywną sztuczną inteligencję (Generative AI) z cyberfizycznymi systemami (CPS), rozwiązując istotne problemy dotyczące prywatności danych, bezpieczeństwa oraz wskaźników wydajności w rozproszonych systemach sieciowych. Funkcjonalność platform CPS zależy od aktualnego monitorowania oraz zautomatyzowanych operacji, które pobierają wrażliwe dane wejściowe z rosnącej liczby urządzeń i czujników IoT. Stwierdzono, że wdrożenie technologii generatywnej AI do systemów CPS wprowadza specyficzne zagrożenia, takie jak podatności w zakresie prywatności oraz wyzwania związane z bezpieczeństwem w rozproszonych konfiguracjach sieciowych. GPLF wprowadza innowacyjną strukturę federacyjnego uczenia opartego na serwerach zastępczych (Proxy-Based Federated Learning, ProxyFL), która wspiera bezpieczne, kolaboracyjne uczenie dedykowane zadaniom generatywnym w celu złagodzenia istniejących problemów. Przeprowadzono szczegółową ocenę struktury GPLF na platformie CPS, której środowisko testowe łączyło różne technologie sieci czujników z urządzeniami IoT oraz strumieniowaniem danych w czasie rzeczywistym.

Uczestnicy GPLF w trakcie swojego udziału uruchamiają dwa oddzielne modele.
Ekskluzywny Model Prywatny służy do lokalnej analizy danych, zapewniając ochronę danych przed dostępem zewnętrznym.
Wspólny Model Proxy5 systemu umożliwia bezpieczną współpracę uczestników dzięki zastosowaniu technologii szyfrowania w połączeniu z metodami prywatności różnicowej.

Struktura ta wykorzystuje modele dyfuzyjne do tworzenia rozbudowanych syntetycznych zbiorów danych, które napędzają możliwości wykrywania anomalii, wykazując jednocześnie modelowanie predykcyjne i śledzenie zachowania systemu podczas symulacji różnorodnych scenariuszy. Syntetyzowane zbiory danych zachowują istotne cechy charakterystyczne dzięki skutecznym metodom ochrony prywatności. Struktura ta umożliwia bezpieczną wymianę peer-to-peer za pomocą silnych technik szyfrowania, które chronią kanały komunikacyjne przed złośliwymi atakami. Oceny przeprowadzone z wykorzystaniem GPLF na rzeczywistych platformach CPS wykazały, w jaki sposób może on przynieść znaczące usprawnienia w zakresie bezpiecznych i inteligentnych możliwości operacyjnych w ramach limitów skalowalności. Znacząca poprawa miar wycieku prywatności wraz z komplementarnymi ulepszeniami w możliwościach wymiany danych i precyzji zadań generatywnych potwierdziła jego wartość funkcjonalną i konkretne wyniki wydajności. Główne etapy GPLF obejmują inicjalizację uczenia federacyjnego w oparciu o proxy wraz z lokalnym treningiem prywatnych danych, co stanowi fundament GPLF i integruje aktualizacje modeli proxy chronione przez prywatność różnicową (differential privacy). Uwzględniono również metody generowania syntetycznych danych za pomocą modeli dyfuzyjnych, bezpieczne techniki wymiany danych peer-to-peer oraz moduły do wykrywania anomalii i modelowania predykcyjnego. Ustrukturyzowany schemat na Rysunku 1 przedstawia kluczowe elementy GPLF, które mają potencjał do optymalizacji podstawowych operacji CPS.

figure-protocol-1
Rycina 1: Struktura architektoniczna GPLF dla bezpiecznych i inteligentnych operacji CPS.Zaprojektowana w celu umożliwienia bezpiecznych i inteligentnych operacji w cyberfizycznych systemach. Aby wyświetlić większą wersję tej ryciny, kliknij tutaj.

Poniższe sekcje szczegółowo opisują sześć etapów struktury bezpiecznej komunikacji pomiędzy heterogenicznymi urządzeniami w platformie CPS.

1. Inicjalizacja uczenia federacyjnego opartego na serwerze pośredniczącym (proxy)

Etap 1 to Inicjalizacja Federacyjnego Uczenia opartego na Proxy, w którym GPLF wykorzystuje proces inicjalizacji FL oparty na proxy do skonfigurowania systemu każdego uczestnika CPS (N) za pomocą dwóch modeli, które zapewniają prywatność, a jednocześnie pozwalają uczestnikom na bezpieczną współpracę poprzez funkcjonalność uczenia. Poszczególni uczestnicy CPS (i) otrzymują prywatny model figure-protocol-2, aby pracować na swoich lokalnych danych (di) w celu ochrony prywatności, a także wspólny model proxy figure-protocol-3, który umożliwia bezpieczne zachowania kooperacyjne między uczestnikami. Modele rozpoczynają trenowanie z wagami stworzonymi z losowych wpisów rozkładu Gaussa21 dla znormalizowanych warunków początkowych, co wyrażono w równaniu (1),
figure-protocol-4     (1)
​Uczestnicy autonomicznie przetwarzają swoje dane, wymieniając jednocześnie spostrzeżenia poprzez wspólne modele, które wspierają rozproszone uczenie generatywne z zachowaniem prywatności w systemach CPS.

2. Lokalny trening na prywatnych danych

Etap 2 to lokalne trenowanie na prywatnych danych; na tym etapie odbywa się trening danych, podczas którego uczestnicy CPS opracowują prywatne modele na podstawie przechowywanych lokalnie danych, aby zapewnić pełną ochronę danych w miejscu ich pobierania poprzez odizolowanie ich od ekspozycji zewnętrznej. Uczestnicy przechodzą szkolenie z optymalizacji modeli opartych na danych z wykorzystaniem stochastycznego spadku gradientu (SGD)2, który odbywa się poprzez zlokalizowaną funkcję straty (llocal) i wspiera zarówno wydobywanie istotnych informacji, jak i lokalne adaptacje, przy jednoczesnym zachowaniu prywatności danych.
figure-protocol-5      (2)
figure-protocol-6     (3)
Z równań (2) i (3) wynika, że I i O oznaczają wejściową próbkę danych i odpowiadającą jej wartość docelową. L oznacza stratę przy danej szybkości uczenia (Ɽ). Ten krok pozwala na opracowanie indywidualnych systemów inteligencji uczestników, które służą jako baza dla przyszłych bezpiecznych, kolaboracyjnych procesów edukacyjnych.
Niezależna rekurencyjna sieć neuronowa (IndRNN) pełni funkcję modelu ML w etapie 2, ponieważ jej architektura umożliwia niezależność neuronów w każdym kroku czasowym w celu obsługi specyficznych zadań CPS, łagodząc jednocześnie tradycyjne problemy z gradientem w sieciach RNN. Każdy neuron w konfiguracji IndRNN posiada indywidualną wagę rekurencyjną, co pozwala na lepsze przechwytywanie długoterminowych zależności. Oddzielny model operacyjny usprawnia transmisję gradientu, co pozwala na efektywne skalowanie głębokich struktur sieci przy zachowaniu wydajności procesów obliczeniowych. Sekwencyjne przetwarzanie danych na platformach CPS przebiega najskuteczniej przy użyciu IndRNN ze względu na zdolność do przetwarzania długich sekwencji przy użyciu silnych wzorców uczenia, przy zachowaniu niskiej złożoności sieci.
Obliczenia w równaniu (4) wykazują, że rozwiązanie problemu zanikającego i eksplodującego gradientu w IndRNN wynika z unikalnego podejścia do projektowania połączeń rekurencyjnych.
figure-protocol-7     (4)
Z równania (4) wynika, że ω i Ht oznaczają odpowiednio wagę oraz stan ukryty w czasie t. figure-protocol-8 reprezentuje wektor niezależnego znaczenia rekurencyjnego (wag), po jednym dla każdego punktu danych, co umożliwia niezależność w różnych krokach czasowych. ʘ oznacza elementowe mnożenie w ramach cech projektu, co utrzymuje pełną niezależność między połączeniami rekurencyjnymi każdego neuronu, a ä oznacza funkcję aktywacji. Projekt architektury neuronowej zapobiega rozszerzaniu lub kurczeniu się gradientu w całej sekwencji obliczeń, co wspiera stabilne trenowanie modelu uczenia i sukces w nauce rozległych wzorców.
IndRNN staje się preferowanym podejściem do wykrywania anomalii w CPS, ponieważ skutecznie zapobiega tradycyjnym eksplozjom i zanikaniu gradientów w sieciach RNN. Długoterminowe zależności są łatwiejsze do śledzenia dzięki architekturze IndRNN, ponieważ operuje ona z mniejszą złożonością niż modele Transformer i osiąga zarówno szybką zbieżność, jak i działanie w czasie rzeczywistym. Efektywność IndRNN sprawia, że jest ona wyjątkowo odpowiednia do reprezentowania charakterystyk operacyjnych CPS z ograniczonymi zasobami, zapewniając precyzyjne rozpoznawanie anomalii bez nadmiernego obciążenia obliczeniowego.

3. Model dyfuzyjny do generowania danych syntetycznych

Etap 3 to Model Dyfuzyjny do Generowania Danych Syntetycznych. Na tym etapie wykorzystuje się zaawansowane modele dyfuzyjne do wytwarzania danych syntetycznych, które odwzorowują główne cechy pozyskanych danych prywatnych. Modele uczą się rozkładu oryginalnych danych wrażliwych poprzez dodawanie kontrolowanego szumu w celu zgromadzenia charakterystyk, co pozwala na stworzenie danych syntetycznych o wysokiej wierności, które zachowują istotne cechy, zapewniając jednocześnie ochronę prywatności. Iteracyjna procedura odszumiania generuje dane syntetyczne, zachowując kluczowe właściwości statystyczne i elementy strukturalne rzeczywistych danych.
Początkowo proces uczenia generatywnego modelu dyfuzyjnego (ϒ) koncentruje się na tworzeniu danych syntetycznych o wysokiej wierności przy jednoczesnym zachowaniu kluczowych cech danych prywatnych (di), a główna operacja obliczeniowa takiej generacji obejmuje:
figure-protocol-9     (5)
Z (5) wynika, że figure-protocol-10 wskazuje na wprowadzenie szumu gaussowskiego do próbek danych. Nowo wygenerowane dane syntetyczne są wyrażone jako:
figure-protocol-11     (6)

4. Aktualizacje modelu zastępczego z prywatnością różnicową

Etap 4 to Aktualizacje Modelu Proxy z Prywatnością Różnicową. Na tym etapie każdy uczestnik komunikacji wykorzystuje syntetyczne dane stworzone przez model dyfuzyjny w tym kroku do trenowania swojego modelu proxy figure-protocol-12 na tym etapie.
figure-protocol-13     (7)
Gradienty aktualizacji modelu proxy pozostają prywatne dzięki mechanizmom prywatności różnicowej, które dodają szum figure-protocol-14 do ich wartości.
figure-protocol-15     (8)
Aby chronić prywatność danych, zaawansowane metody szyfrowania (szyfrowanie homomorficzne) przekształcają (ξ) oczyszczone aktualizacje (U) w bezpieczne dane, które są dystrybuowane za pośrednictwem serwera centralnego lub wielu węzłów peer-to-peer.
figure-protocol-16     (9)
Z równania (9) wynika, że ҟ oznacza klucz szyfrowania. Poprzez kolaboracyjną agregację zaszyfrowanych aktualizacji, systemy utrzymują bezpieczeństwo wrażliwych informacji lokalnych podczas bezpiecznego wykonywania operacji uczenia rozproszonego.
Szyfrowanie homomorficzne23 tworzy bezpieczne platformy do wykonywania obliczeń na zaszyfrowanych danych bez konieczności ich deszyfrowania przed uzyskaniem końcowych wyników z zaszyfrowanych danych wejściowych, takich jak zagregowane gradienty. Dane pozostają zaszyfrowane przez cały czas operacyjny (end-to-end), co zapobiega zewnętrznym wyciekom podczas procesów obliczeniowych. Platforma pozwala uczestnikom CPS w różnych lokalizacjach na wymianę zaszyfrowanych aktualizacji danych w celu kolaboracyjnych operacji uczenia bez ujawniania prywatnych informacji. Zgodnie z celami badania, technika ta zapewnia pełną ochronę prywatności zgodnie z wymaganiami i wykazuje lepszą wydajność w porównaniu z innymi metodami szyfrowania, które wymagają deszyfrowania danych do obliczeń, narażając je tym samym na potencjalne zagrożenia. Szyfrowanie homomorficzne okazuje się najodpowiedniejszą metodą zabezpieczeń dla systemów proxyFL, ponieważ wspiera zarówno bezpieczne obliczenia na danych, jak i samodzielne operacje szyfrowania.

5. Bezpieczne interakcje typu peer-to-peer

  1. Etap 5 to bezpieczne interakcje peer-to-peer. Na tym etapie uczestnicy bezpiecznie przesyłają zaszyfrowane, oczyszczone aktualizacje modelu proxy, które utworzyli w Etapie 4. Uczestnicy (i) zachowują poufność podczas przesyłania aktualizacji dzięki szyfrowaniu homomorficznemu, które umożliwia wykonywanie obliczeń, takich jak agregacja gradientów, bezpośrednio na zaszyfrowanych danych bez konieczności ich deszyfrowania. Uczestnicy wyrażają komunikację peer-to-peer za pomocą metod obliczeniowych jako:
    figure-protocol-17    (10)
    Z równania (10) wynika, że bezpieczna interakcja/komunikacja peer-to-peer w ramach platform CPS jest zapewniona przez szyfrowanie homomorficzne (ξ(·)).
    Poprzez agregację gradientów (Ψ), zaszyfrowane wkłady gradientowe od wielu użytkowników umożliwiają wspólne aktualizowanie wspólnego modelu proxy. Niniejsze badanie wykazuje bezpieczną akumulację zaszyfrowanych gradientów każdego uczestnika poprzez szyfrowanie homomorficzne.
    figure-protocol-18   (1)
    Z równania (11) wynika, że N reprezentuje liczbę uczestników. Metoda ta pozwala również na bezpośrednie obliczenia na zaszyfrowanych gradientach i chroni wrażliwe dane podczas agregacji. Uczestnicy aktualizują model proxy poprzez deszyfrowanie zagregowanych gradientów, co umożliwia dbające o prywatność wspólne uczenie się w całej sieci CPS. Bezpieczne metody deszyfrowania zapewniają prywatny dostęp do indywidualnych gradientów dla wszystkich użytkowników podczas całego procesu.
    figure-protocol-19    (12)
    W ten sposób bezpieczne ograniczenia autoryzacji uniemożliwiają poszczególnym uczestnikom dostęp do aktualizacji danych należących do czynników zewnętrznych. Sieć wykorzystuje zagregowane aktualizacje do wspólnego ulepszania współdzielonych modeli proxy, aby osiągnąć bezpieczne uczenie rozproszone z silną ochroną prywatności w systemach CPS.

6. Detekcja anomalii i modelowanie predykcyjne

  1. Ostatnim etapem, etapem 6, jest detekcja anomalii i modelowanie predykcyjne. Na tym etapie ustanawia się zaktualizowane modele proxy, które służą do analizy rzeczywistych danych CPS w skonfigurowanym środowisku testowym. Modele proxy identyfikują anomalie (Ф), porównując nowe dane (I) z wzorcami pochodzącymi z syntezy i danych historycznych, aby wygenerować wynik anomalii (Å), który flaguje elementy przekraczające określony limit/próg (τ), co wyraża się obliczeniowo jako,
    figure-protocol-20    (13)
    figure-protocol-21   (14)
    Zarówno (13), jak i (14) zapewniają metodę rozpoznawania nieprawidłowych zachowań systemu i błędów na wczesnych etapach.
    Modelowanie predykcyjne za pomocą modeli proxy polega na nauce reprezentacji, które generują prognozy dotyczące zachowań lub stanów systemu na podstawie dynamicznych/przyszłych sekwencji danych wejściowych (IF), co wyraża się jako,
    figure-protocol-22    (15)
    Operacyjny przepływ pracy GPLF przedstawiony na Rysunku 2 integruje adaptacyjne pętle sprzężenia zwrotnego, które zapewniają zarówno niezawodność systemu CPS, jak i jego ciągłą aktualność. Detekcja anomalii lub dryfu systemu w etapie 6 prowadzi do powrotu do etapu 3, gdzie tworzone są nowe dane syntetyczne przy użyciu zaktualizowanych wpisów prywatnych, aby pomóc modelom dostosować się do zmieniających się wzorców. Znaczne rozbieżności między oczekiwanymi wynikami a predykcjami oraz niska dokładność zidentyfikowana w etapie 6 wymuszają powrót do etapu 2, w którym uczestnicy muszą ponownie przeszkolić swoje modele, korzystając z najdokładniejszych i najnowszych dostępnych danych. Podczas ocen systemu w etapie 5, jeśli zbieżność modelu okaże się niewystarczająca lub pojawią się niespójności, system wraca do etapu 4, aby wprowadzić ulepszenia poprzez lepsze dane syntetyczne i zoptymalizowane techniki prywatności. Mechanizmy pętli ustanawiają gotowość do uczenia adaptacyjnego, co utrzymuje wysoką wydajność i bezpieczeństwo operacji systemów sterowania i procesowych.
    Funkcje GPLF dla wdrożeń CPS zostały zwalidowane za pomocą silnego zestawu komponentów sprzętowych i programowych poprzez skalowalne i bezpieczne operacje. Specyficzne wymagania platformowe dla GPLF obejmowały system Ubuntu 20.04 LTS z implementacją Python v3.9 oraz frameworki deep learning PyTorch v1.12 i TensorFlow v2.9 do prowadzenia treningu modeli prywatnych, proxy i dyfuzyjnych. Ocena wydajności systemu łączyła oprogramowanie do wizualizacji Matplotlib v3.5 z wizualizacją statystyczną Seaborn v0.1 i benchmarkingiem Scikit-learn v1.1 wraz z miarami prywatności z PySyft v0.6.0 dla prywatności różnicowej i TenSEAL v0.3 dla szyfrowania homomorficznego. Wymagania sprzętowe obejmowały procesor AMD EPYC-7502P wraz z GPU A10 pracującym z CUDA v1.6 dla wydajności obliczeniowej oraz pamięć RAM 256 GB w celu obsługi rozległych zbiorów danych CPS, a także dysk SSD 1 TB oraz sieć Gigabit Ethernet zaprojektowaną do bezpiecznej wymiany informacji w celu przeprowadzenia efektywnych eksperymentów badawczych. Algorytmy GPLF zostały zwalidowane w tej konfiguracji systemu, która chroniła dane, udowadniając jednocześnie zasady skalowalności dla rzeczywistych implementacji CPS. Dobór wersji zapewnia kompatybilność z zaawansowanym szyfrowaniem, uczeniem federacyjnym i technikami modeli generatywnych, umożliwiając niezawodną skalowalność walidacji w wielu zastosowaniach CPS.
    W ramach badań wybrano kilka kluczowych hiperparametrów, które zrównoważyły maksymalizację wydajności z ochroną prywatności i skalowalnością we wszystkich etapach GPLF. Aby zrównoważyć uczenie lokalne i kolaboracyjne, badacze ustawili unikalne tempo uczenia na 0.01 i 0.01 dla modeli prywatnych i proxy, zachowując wagi zainicjowane rozkładem Gaussa w celu zapewnienia stabilnej zbieżności. Aby uniknąć przeuczenia podczas przetwarzania danych CPS, proces uczenia lokalnego wykorzystywał paczki po 32 instancje, każda przez dziesięć epok. Generowanie danych syntetycznych wymagało od modelu dyfuzyjnego zastosowania procesu 10 kroków przy odchyleniu standardowym szumu 0.05, aby zachować dokładność kluczowych cech. Anonimizacja danych poprzez prywatność różnicową została osiągnięta poprzez implementację przycinania gradientu na poziomie 1.0 ze skalą szumu dostosowaną do 0.1 przy jednoczesnym zachowaniu użyteczności zbioru danych. W przypadku szyfrowania homomorficznego zastosowano kryptosystem Pailliera24 do przetwarzania gradientów poprzez czysto addytywne operacje w ramach uczenia federacyjnego. Kryptosystem Pailliera umożliwia bezpośrednie operacje na zaszyfrowanych informacjach, co eliminuje rozległe wymagania komunikacyjne w wielostronnych systemach bezpiecznych obliczeń. Technika ta umożliwia szybszą agregację oraz zmniejsza wymagania komunikacyjne, co prowadzi do skalowalnego i wydajnego rozwiązania dla bezpiecznych obliczeń w systemach CPS o ograniczonych zasobach. Wyznaczony próg/limit detekcji anomalii oraz horyzont predykcji wynoszący dziesięć kroków zapewniły dokładny monitoring i proaktywne podejmowanie decyzji w CPS. Poprzez dostrojenie hiperparametrów osiągnięto optymalną równowagę między metrykami wydajności a adaptacyjnością systemu z ochroną prywatności w praktycznych zastosowaniach CPS.
    Tabela 2 dokumentuje niezbędne hiperparametry dla każdego etapu badań GPLF oraz wartości optymalne dla osiągnięcia najlepszej wydajności w całej metodologii.
    Do trenowania i oceny proponowanego podejścia w różnych aspektach rozważono dwa czołowe zbiory danych. Są to TON_IoT25,26,27,28,29,30,31 oraz UNSW-NB1532,3,34,35,36 z University of New South Wales (UNSW) w Canberze. Oba zbiory danych, TON_IoT i UNSW-NB15, zostały wybrane, ponieważ zawierają szeroki zakres warunków CPS. Zbiory te służą różnym celom: TON_IoT prezentuje różnorodne odczyty czujników IoT połączone z modelami sytuacji przemysłowych, a UNSW-NB15 oferuje obszerne dane dotyczące intruzji sieciowych do testowania systemów bezpieczeństwa. Połączenie zbiorów TON_IoT i UNSW-NB15 umożliwia pełną ocenę wydajności GPLF w różnych ustawieniach operacyjnych. Włączenie nowych zbiorów danych zwiększy operacyjną niezawodność frameworka, ponieważ zidentyfikowaliśmy ten brak jako cel przyszłego rozwoju.
    Zbiory danych TON_IoT stanowią rozległe repozytorium danych opracowane w celu przetestowania wydajności aplikacji cyberbezpieczeństwa z wykorzystaniem systemów opartych na algorytmach AI i ML. W australijskiej akademii wojskowej przy UNSW badacze wygenerowali te zbiory z heterogenicznych źródeł wykorzystujących informacje telemetryczne z ponad 10 rodzimych i przemysłowych czujników IoT, w tym odczytów pogodowych i czujników Modbus, wraz z logami systemu operacyjnego i pakietami sieciowymi przechwyconymi za pomocą ZEEK (Bro) w formacie pcap w połączeniu z plikami logów i plikami rozdzielanymi przecinkami (CSV). Zbiór ten pochodzi z rzeczywistej sieci łączącej komponenty IoT z funkcjami chmurowymi oraz możliwościami obliczeń krawędziowych/mgłowych, zarządzanymi na wielu hostach uruchamiających maszyny wirtualne i różne systemy operacyjne. Zbudowany system umożliwił badaczom przeprowadzenie testów cyberataków, w tym ataków Distributed Denial of Service (DDoS) i DoS, a także ataków ransomware przeciwko aplikacjom IoT i sieciom komputerowym w ramach połączonego środowiska Internet of Things/Industrial IoT. Zbiory TON_IoT zawierają surowe komponenty danych oraz dane przetworzone ze standardowymi cechami i etykietami, próbki treningowe i testowe, opisy cech, podsumowania statystyczne oraz zdarzenia bezpieczeństwa, wraz z etykietami prawdy obiektywnej (ground truth). Rozwiązania cyberbezpieczeństwa oparte na AI dla mechanizmów detekcji malware, IDS, metod detekcji nadużyć i platform wywiadowczych w zakresie zagrożeń, wraz z procesami ochrony prywatności i informatyką śledczą, korzystają ze zbiorów TON_IoT ze względu na ich ustrukturyzowany projekt organizacyjny, który wspomaga również adversarial ML i metody polowania na zagrożenia.
    Cyber Range Lab z UNSW Canberra opracowało zbiór danych UNSW-NB15 jako kompleksowy standard dla oceny systemów detekcji intruzów w sieci. Dzięki narzędziu IXIA PerfectStorm, tworzenie zbioru UNSW-NB15 łączy rzeczywiste normalne działania nowoczesne z syntetycznymi demonstracjami ataków, co generuje około 10 GB ruchu sieciowego przechwyconego w formacie pcap. Zbiór danych obejmuje dziewięć unikalnych wariantów ataków: Analysis, DoS, Fuzzers, Backdoors, Shellcode, Exploits, Worms, Generic oraz Reconnaissance. Wykorzystując narzędzia Argus i Bro-IDS wraz z dwunastoma zaprojektowanymi algorytmami, badacze wyodrębnili i otagowali 49 cech, umożliwiając wyczerpującą analizę. Zbiór danych zawiera ponad 2,5 miliona rekordów, rozdzielonych na cztery stacje robocze CSV i podzielonych na 175 341 rekordów do celów treningowych oraz 82 32 rekordy do testowania funkcjonalności. Systematyczny układ danych w ramach tego rozwiązania napędza zarówno procesy rozwoju, jak i testowania modeli detekcji intruzów.

figure-protocol-23
Rycina 2: Schemat działania GPLF. Sekwencyjny przebieg operacyjny GPLF z zaznaczeniem każdego kluczowego etapu procesu. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Tabela 2: Specyfikacje parametrów GPLF. Kliknij tutaj, aby pobrać tę tabelę.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Metryka Privacy Leakage Reduction Index (PLRI) mierzy redukcję wycieku prywatności w porównaniu z standardowymi modelami bazowymi. Ewaluacja koncentruje się na tym, jak prywatność różnicowa (differential privacy) oraz szyfrowanie homomorficzne sprawdzają się jako podejścia do ochrony prywatności.

Wskaźnik wycieku prywatności ocenia liczbę ujawnionych punktów danych w stosunku do całkowitej liczby aktualizacji w modelach, wraz z aktywnościami rozkładu danych syntetycznych. Ocenia on skuteczność...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Elementy konstrukcyjne GPLF nie tylko wspierają jej funkcje prywatności, ale także zapewniają dodatkowe korzyści, zwiększając możliwości jej wdrażania. Wykorzystując modele dyfuzyjne do tworzenia danych syntetycznych o wysokiej wierności, ramy zapewniają niezbędne warstwy ochrony prywatności w kluczowych dziedzinach, takich jak opieka zdrowotna, wraz z monitorowaniem infrastruktury krytycznej, przy jednoczesnym zachowaniu precyzyjnych możliwości modelowania generatywnego. GPLF osiąga zarówno zwiększoną ochronę prywatnośc...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że nie zachodzi konflikt interesów w związku z publikacją niniejszego manuskryptu. Żadne powiązania finansowe ani osobiste nie wpłynęły na badania, wyniki lub wnioski przedstawione w tej pracy.

Podziękowania

Ta praca była wspierana przez Princess Nourah bint Abdulrahman University Researchers Supporting Project number(PNURSP2025R432), Princess Nourah bint Abdulrahman University, Rijad, Arabia Saudyjska.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Procesor graficzny A100 (CUDA)graficznego NVIDIACUDA w wersji 11.6do trenowania i oceny modelu.
Procesor AMD EPYC-7502PAMDN/Aużywany do obliczeń o wysokiej wydajności.
Gigabit EthernetIntelN/ANetworking do bezpiecznej komunikacji peer-to-peer w CPS.
MatplotlibPython Software FoundationVersion 3.5Biblioteka wizualizacji do wykreślania wyników.
Paillier CryptosystemOpen Source (zaimplementowany przez TenSEAL)N/AUmożliwia addytywne szyfrowanie homomorficzne na gradientach.
PySyftOpenMinedw wersji 0.6.0Prywatność różnicowa i federacyjna biblioteka edukacyjna.
Python (dystrybucja Anaconda)Anaconda Incw wersji 3.9Zawiera preinstalowane pakiety i narzędzia do zarządzania środowiskiem, używane do tworzenia skryptów i tworzenia frameworków.
PyTorchMeta AIw wersji 1.12Platforma uczenia głębokiego do trenowania modeli.
Pamięć RAMCorsair256 GigaByte (GB) Wysokie wsparcie pamięci przy intensywnym treningu.
Scikit-learnPython Software FoundationVersion 1.1Narzędzia uczenia maszynowego do oceny wydajności.
SeabornPython Software FoundationVersion 0.11Biblioteka wizualizacji danych statystycznych.
Pamięć masowa SSDSeagate1 TeraByte (TB)Do szybkiego przechowywania i pobierania danych.
TenSEALOpenMinedVersion 0.3Homomorficzna biblioteka szyfrowania do bezpiecznej agregacji.
TensorFlowGoogle w wersji 2.9Framework głębokiego uczenia się dla modeli dyfuzyjnych.
System operacyjny Ubuntu wkanonicznej20.04 LTSSystem operacyjny używany do wszystkich eksperymentów.
Akceleracja procesora wersji

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Generatywna sztuczna inteligencjauczenie federacyjnemodele dyfuzyjnesyntetyczne dane sensorowedetekcja anomaliiprywatno r nicowabezpieczna komunikacja mi dzy w z amimodelowanie predykcyjne
Film wkrótce dostępny
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.