A Privacy-Preserving Federated Grey Wolf Optimization and Blockchain Framework for Trust Management in Decentralized 6G Edge Networks
تقترح هذه الورقة إطار عمل مبتكر لشبكات الحافة في الجيل السادس (6G) يدمج بين التعلم الاتحادي الحافظ للخصوصية، وتحسين نموذج الثقة القائم على خوارزمية مُحسن الذئب الرمادي، وسلسلة كتل مسموح بها لتحقيق إدارة ثقة قوية ومرنة وخاصة ضد الهجمات العدائية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في المستقبل القريب، ستتطور الشبكات اللاسلكية لتتجاوز الجيل الحالي وتصبح شبكة واسعة ولامركزية من الذكاء. فبدلاً من الاعتماد على سحابة مركزية واحدة لاتخاذ القرارات، ستدفع هذه الأنظمة من الجيل التالي القدرة الحوسبية إلى حافة الشبكة تماماً، حيث تعمل أجهزة مثل السيارات ذاتية القيادة، والمستشعرات الصناعية، والبنية التحتية للمدن الذكية. في هذه البيئة، يجب على كل جهاز أن يقرر باستمرار ما إذا كان يثق بجيرانه أم لا. فإذا لم تستطع سيارة الوثوق بالإشارة القادمة من مستشعر مروري قريب، أو إذا شكّت آلة مصنع في البيانات القادمة من روبوت شريك، فإن النظام بأكل معرض لخطر الفشل. التحدي يكمن في أن هذه الشبكات ديناميكية وفوضوية؛ فالأجهزة تتحرك، والاتصالات تتغير، ويمكن للجهات السيئة محاولة خداع النظام. ولكي يعمل النظام بأمان، فإنه يحتاج إلى وسيلة للتحقق من أن كل مشارك يتصرف بنزاهة دون الكشف عن البيانات الخاصة أو الاعتماد على سلطة واحدة يمكن اختراقها أو الفشل.
لقد اقترحت الباحثة سيما جوشي وزملاؤها في كلية لاكشمي نارايان للتكنولوجيا طريقة جديدة لحل مشكلة الثقة هذه في هذه الشبكات المعقدة واللامركزية. لقد دمجوا ثلاث أفكار متميزة: طريقة للتعلم معاً دون مشاركة البيانات الخاصة، واستراتيجية لإيجاد الحل الأمثل مستوحاة من الطبيعة، وسجلاً رقمياً آمناً لتسجيل كل قرار. وتشير أعمالهم، التي تم اختبارها في محاكاة حاسوبية، إلى أن هذا الإطار العملي أفضل في كشف الكاذبين والوصول إلى اتفاق مقارنة بالطرق الحالية، حتى عندما تكون البيانات فوضوية أو غير مكتملة. ويكمن جوهر ابتكارهم في استبدال الأدوات الرياضية القياسية المستخدمة لتحديث درجات الثقة بنظام يحاكي كيفية صيد قطيع من الذئاب، مما يسمح للشبكة بإيجاد الحقيقة بشكل أكثر موثوقية في بيئة مليئة بالضجيج.
بنى الباحثون نظاماً يحتفظ فيه كل جهاز في الشبكة بسجل محلي لكيفية سلوك جيرانه. فهو يتتبع أموراً مثل عدد المرات التي نجح فيها الجار في إرسال رسالة بنجاح، وسرعة استجابته، وكمية الطاقة التي يستهلكها، وما إذا كان يظهر علامات سلوك غريب. وبناءً على هذه الملاحظات، يقوم الجهاز بحساب درجة ثقة لأقرانه. في الماضي، كانت الأجهزة تحاول تحسين هذه الدرجات من خلال إجراء تعديلات رياضية صغيرة وخطوة بخطوة، وهي عملية تشبه المشي لأسفل تلة للعثور على أدنى نقطة. ومع ذلك، في شبكة فوضوية ذات معلومات غير كاملة، غالباً ما تتعثر هذه الطريقة خطوة بخطوة في منخفض ضحل، حيث تخطئ وتظن أن المنخفض المحلي هو القاع الحقيقي. أدرك الباحثون أن نهجاً مختلفاً كان ضرورياً للتنقل في هذه التضاريس الوعرة.
بدلاً من اتخاذ خطوات صغيرة، قدم الفريق طريقة مستوحاة من الهيكل الاجتماعي وتكتيكات الصيد للذئاب الرمادية. في هذا النظام، لا تكتفي الأجهزة باتخاذ خطوة واحدة؛ بل تحاكي قطيعاً من الذئاب يبحث عن فريسة. "الذئاب" هي الحلول المحتملة لدرجات الثقة. وتعمل أفضل ثلاثة حلول تم العثور عليها حتى الآن كقادة، حيث توجه بقية القطيع لاستكشاف مساحة البحث بشكل أوسع قبل التركيز على الإجابة الأفضل. وهذا يسم يسمح للنظام بالهروب من المنخفضات الضحلة التي تحبط الطرق الأخرى وإيجاد تكوين الثقة الأمثل الحقيقي. والأهم من ذلك، أن الأجهزة لا تشارك ملاحظاتها الخام أو بياناتها الخاصة مع أي شخص؛ فهي تشارك فقط إعدادات الثقة المحسنة النهائية التي قامت بحسابها. وهذا يضمن الحفاظ على خصوصية كل جهاز بينما تتعلم الشبكة بأكملها كيفية الثقة بدقة أكبر.
ولضمان عدم تلاعب أي جهاز بالنظام، أضاف الباحثون سجلاً رقمياً آمناً، يُعرف باسم "البلوكشين"، إلى المزيج. يعمل هذا السجل كسجل عام غير قابل للتغيير لكل تحديث للثقة. فعندما يقدم جهاز ما إعدادات الثقة الجديدة الخاصة به، يقوم "عقد ذكي" - وهو برنامج ذاتي التنفيذ على السجل - بالتحقق من الإرسال مقابل تاريخ الجهاز. فإذا قام جهاز ما بتغيير إعداداته فجأة بطريقة تبدو مريبة أو غير متسقة مع سلوكه السابق، يقوم النظام بتمييزه كطرف قد يكون خبيثاً ويرفض التحديث. وهذا يخلق دورة ذاتية التصحيح حيث يجد البحث المستوحى من الذئاب أفضل الإجابات، بينما يضمن البلوكشين قبول الإجابات الصادقة فقط.
اختبر الفريق هذا الإطار في بيئة محاكاة مصممة لمحاكاة شبكة حافة 6G تضم خمسين جهازاً. وقارنوا طريقتهم الجديدة بالنهج القياسي الذي يعتمد على التعديلات خطوة بخطوة وبالطرق الأخرى التي تستخدم تقنيات الخصوصية. وأظهرت النتائج أن نظامهم المستوحى من الذئاب كان أكثر دقة بشكل ملحوظ. فقد قلل الخطأ في تقدير الثقة إلى مستوى منخفض جداً، متفوقاً على الطرق القياسية التي عانت مع البيانات الفوضوية وغير المتساوية النموذجية للشبكات الواقعية. كما وصل النظام الجديد إلى حالة مستقرة وموثوقة بسرعة أكبر بكثير، حيث تطلب عدداً أقل من جولات الاتصال للاتفاق على الحقيقة. والأهم من ذلك، أثبت النظام فعالية عالية في كشف الجهات السيئة؛ فعندما قام الباحثون بمحاكاة هجمات حاولت فيها الأجهزة الخبيثة تسميم النظام أو التظاهر بأنها جديرة بالثقة، كشف الإطار الجديد عنهم بنسبة تقارب 97 بالمائة، بينما فات الكثير من التهديدات في الطرق القياسية.
بينما يعد النظام الجديد أكثر دقة وأماناً، إلا أنه يأتي مع مقايضة. فبسبب كون البحث المستوحى من الذئاب يتضمن حسابات أكثر تعقيداً من الطريقة القياسية خطوة بخطوة، فإنه يستغرق وقتاً أطول قليلاً لكل جهاز لمعالجة بياناته. وفي عمليات المحاكاة، استغرقت الطريقة الجديدة حوالي 1.85 ثانية لكل جولة، مقارنة بأقل من ثانية واحدة للنهج القياسي. ومع ذلك، يرى الباحثون أنه بالنسبة لإدارة الثقة، التي لا تحتاج إلى أن تحدث في أجزاء من الثانية بل كفحص دوري، فإن هذا الوقت الإضافي هو ثمن معقول مقابل التحسن الكبير في الأمن والدقة. لقد نجح النظام في تحقيق التوازن بين الحاجة إلى الخصوصية، وتحدي الشبكات الديناميكية، وتهديد الخداع، مما يوفر طريقة قوية للآلات اللامركزية لمعرفة من يمكنها الوثوق به.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.