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

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

زهرا روحانی1

1) مربی گروه کامپیوتر، واحد شیروان، دانشگاه آزاد اسلامی، شیروان، ایران

کد IOI مقاله : AAHD-ABKGHE
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    اینترنت اشیا صنعتی (IIoT) به‌عنوان ستون فقرات انقلاب صنعتی چهارم، نقش محوری در افزایش بهره‌وری، اتوماسیون و تصمیم‌گیری مبتنی بر داده در محیط‌های صنعتی ایفا می‌کند. با این حال، گسترش روزافزون دستگاه‌های IIoT و تولید حجم عظیمی از داده‌های حساس، چالش‌های امنیتی و حریم خصوصی بی‌سابقه‌ای را ایجاد کرده است. روش‌های متمرکز یادگیری ماشین سنتی، علی‌رغم کارایی در کشف تهدیدات، به دلیل نیاز به انتقال داده‌های خام به سرور مرکزی، با مخاطرات جدی حریم خصوصی و هزینه‌های محاسباتی بالا مواجه هستند. در این مقاله، رویکردی نوین برای بهبود امنیت IIoT با تلفیق یادگیری فدرال (FL) و رمزنگاری همومورفیک (HE) ارائه می‌شود. یادگیری فدرال با غیرمتمرکزسازی فرآیند آموزش مدل‌های یادگیری ماشین، امکان استفاده از داده‌های توزیع‌شده را بدون خروج داده از دستگاه‌های محلی فراهم می‌سازد. رمزنگاری همومورفیک نیز با امکان انجام محاسبات روی داده‌های رمزگذاری‌شده، لایه‌ای مضاعف از حریم خصوصی را ایجاد می‌کند. این مقاله به بررسی چالش‌های امنیتی IIoT، اصول و کاربردهای یادگیری فدرال و رمزنگاری همومورفیک، چالش‌های پیاده‌سازی، راهکارهای ترکیبی ارائه‌شده در پژوهش‌های اخیر، و چشم‌اندازهای آینده این حوزه می‌پردازد. نتایج بررسی‌ها نشان می‌دهد که تلفیق این دو فناوری می‌تواند تا ۳۰ درصد دقت تشخیص تهدید را افزایش داده و هم‌زمان حریم خصوصی داده‌های صنعتی را در سطحی بی‌سابقه تضمین نماید.

کلمات کلیدی : اینترنت اشیا صنعتی یادگیری فدرال رمزنگاری همومورفیک حریم خصوصی امنیت سایبری