← أحدث الأبحاث
💻 computer science

FL-GWO: A Federated Learning and Grey Wolf Optimization Framework for Blockchain-Assisted Trust Management in Decentralized IoT-Edge Systems

تقترح هذه الورقة إطار عمل FL-GWO، وهو إطار عمل مبتكر يدمج التعلم الاتحادي مع تحسين الذئب الرمادي وتقنية البلوكشين لتمكين إدارة الثقة المحافظة على الخصوصية، والتكيفية، والقوية في أنظمة إنترنت الأشياء والحافة اللامركزية من خلال تحسين معلمات الثقة ديناميكيًا عبر ذكاء السرب.

المؤلفون الأصليون: Deepshikha Arya, Virendra Kumar Tiwari, Neelu Singh, Seema Joshi

نُشر 2026-09-15
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Deepshikha Arya, Virendra Kumar Tiwari, Neelu Singh, Seema Joshi

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 الشبكات المترامية وغير المرئية التي تُشغل العالم الحديث، تعمل مليارات الأجهزة الصغيرة — من المستشعرات الذكية في الحقول إلى مراقبات حركة المرور في المدن — معاً لاتخاذ القرارات دون وجود مدير مركزي. هذا هو عالم "إنترنت الأشياء"، حيث تتحدث الحواسيب مع بعضها البعض للحفاظ على سير الأمور بسلاسة. ولكن عندما تتوزع هذه الأجهزة عبر منطقة شاسعة، يصبح الوثوق ببعضها البعض لغزاً صعباً. فإذا بدأ جهاز ما يتصرف بغرابة، ربما بسبب نفاد بطاريته أو لأن متسللاً قد سيطر عليه، يمكن للنظام بأكمله أن يغرق في الفوضى. تعتمد الطرق التقليدية للتحقق من مدى الموثوقية غالباً على قواعد جامدة أو سلطة مركزية تجمع كل البيانات، لكن هذه الأساليب تجد صعوبة في التكيف مع الواقع المتغير والمتداخل للعالم الحقيقي، وغالباً ما تفشل في حماية خصوصية الأجهزة المعنية.

ولحل هذه المعضلة، لجأ الباحثون إلى فكرتين قويتين. الفكرة الأولى هي طريقة لتعليم الحواسيب التعلم معاً دون مشاركة أسرارها الخاصة أبداً. تخيل مجموعة من الجيران يريدون جميعاً تعلم كيفية إصلاح نوع معين من المحركات، لكن لا أحد منهم يريد السماح لأي شخص آخر برؤية أدواته أو ملاحظاته الشخصية. بدلاً من ذلك، يتدرب كل منهم بمفرده، ويدون فقط الدروس العامة التي تعلمها، ويشارك تلك الملاحظات مع معلم مركزي يقوم بدمجها في دليل رئيسي. هذه الطريقة، المعروفة باسم "التعلم الاتحادي" (Federated Learning)، تسمح للمجموعة بأن تصبح أكثر ذكاءً مع الحفاظ على أمان معلوماتها الخاصة. أما الفكرة الثانية فمستمدة من الطبيعة: وهي الطريقة التي تصطاد بها الذئاب الرمادية. في قطيع الذئاب، يقود القادة المجموعة نحو الفريسة، مع تعديل مواقعهم باستمرار للعثوة أفضل مسار. وقد تُرجمت هذه الاستراتيجية الطبيعية للعمل معاً لإيجاد الحل الأمثل إلى خوارزمية حاسوبية يمكنها حل المشكلات المعقدة من خلال محاكاة التسلسل الهرمي وحركة القطيع.

قام فريق من الباحثين في كلية لاكشمي نارين للتكنولوجيا في الهند بدمج هذين المفهومين في نظام جديد مصمم للحفاظ على أمن ونزاهة الشبكات اللامركزية. وقد أطلقوا على ابتكارهم اسم "FL-GWO"، وهو إطار عمل يستخدم خصوصية التعلم الاتحادي وقوة البحث الذكي لخوارزمية الذئب الرمادي لإدارة الثقة. في نظامهم، يقوم كل جهاز في الشبكة بتدريب نموذجه المحلي الخاص لتقييم ما إذا كان جيرانه يتصرفون بشكل جيد. وبدلاً من إرسال بيانات خام عما يراه، يرسل الجهاز فقط القواعد المحدثة التي تعلمها. تُرسل هذه القواعد إلى مركز محوري، ليس ليتم دمجها بطريقة بسيطة، بل ليتم صقلها بواسطة خوارزمية الذئب الرمادي. تعامل هذه الخوارزمية البحث عن مجموعة القواعد المثالية للثقة كأنه عملية صيد، حيث تقود أفضل ثلاثة حلول تم العثور عليها بقية المجموعة نحو طريقة أكثر دقة في تقييم السلوك. وبمجرد العثور على أفضل مجموعة من القواعد، يتم إرسالها إلى جميع الأجهزة، مما يخلق حلقة مستمرة حيث تتعلم الشبكة وتتكيف باستمرار مع التهديدات الجديدة.

ولضمان عدم التلاعب بسجلات الثقة هذه، قام الباحثون أيضاً بربط نظامهم بتقنية "البلوكشين" (Blockchain)، وهي سجل رقمي يعمل كمذكرات دائمة وغير قابلة للتغيير. في كل مرة تقوم فيها الشبكة بتحديث قواعد الثقة الخاصة بها، يتم تسجيل هذا التغيير في هذا السجل، مما يخلق تاريخاً شفافاً يمكن للجميع التحقق منه ولكن لا يمكن لأحد تعديله. يضمن هذا الإعداد أنه حتى لو حاول جهاز ما الكذب بشأن سلوكه السابق، فإن السجل غير القابل للتغيير سيكشف الحقيقة. اختبر الباحثون نظامهم في بيئة محاكاة تضم خمسين جهازاً، بما في ذلك أجهزة صادقة، وأخرى معيبة، وأخرى خبيثة مصممة لتعمل مثل المتسللين. وقارنوا طريقتهم الجديدة بالتقنيات القديمة التي استخدمت قواعد ثابتة أو عمليات تجانس بسيطة. وأظهرت النتائج أن النظام الجديد كان أفضل بكثير في رصد العناصر السيئة؛ فقد حدد الأجهزة الجديرة بالثقة بنسبة 93.2% من الوقت، بينما عانت الطرق القديمة، حيث فشلت بعضها في رصد الأجهزة الخبيثة بنسبة تقارب 15% من الوقت.

ولعل الأهم من ذلك هو أن النظام أثبت أنه مرن للغاية. فحتى عندما زاد الباحثون عدد الأجهزة الخبيثة إلى 40% من الشبكة — وهو سيناريو قد تنهار فيه معظم الأنظمة الأخرى — حافظ الإطار الجديد على دقة بلغت 89.5%. ويعود ذلك إلى أن خوارزمية الذئب الرمادي ليست ثابتة؛ إذ يمكنها تغيير تركيزها فوراً. فإذا بدأ جهاز كان موثوقاً به سابقاً يتصرف بشكل مريب، يقوم النظام بسرعة بتعديل الوزن الذي يعطيه للسلوكيات المختلفة، مثل سرعة إرسال الرسائل أو مقدار استهلاك الطاقة، للإمساك بالتغيير. كما وجدت الدراسة أن هذا المستوى العالي من الأمان لم يأتِ على حساب السرعة؛ فقد توصل النظام إلى حل في 85 جولة تواصل فقط، وهو أسرع من الطرق المنافسة. وبينما يشير الباحثون إلى أن نظامهم تم اختباره في محاكاة وأن النشر في العالم الحقيقي سيتطلب مزيداً من العمل للتعامل مع المقاييس الضخمة واحتياجات الخصوصية المعقدة، فإن النتائج تشير إلى مسار واعد للمستقبل. فمن خلال السماح للأجهزة بالتعلم معاً دون مشاركة الأسرار واستخدام المنطق المستوحى من الطبيعة لإيجاد أفضل القواعد، يقدم هذا النهج طريقة قوية للحفاظ على أمن وموثوقية المستقبل اللامركزي للتكنولوجيا.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →