EPDA: An Efficient and Privacy-preserving Dual Aggregation Scheme for Federated Learning in VANETs

لم تعد السيارات الحديثة مجرد آلات للانتقال من النقطة (أ) إلى النقطة (ب)؛ بل هي حواسيب متجولة تجمع باستمرار بيانات حول الطريق، والسائق، وحركة المرور المحيطة. هذه المعلومات حيوية لجعل النقل أكثر أماناً وكفاءة، لكنها تخلق أيضاً معضلة خصوصية كبيرة. فالسائقون لا يريدون كشف تاريخ مواقعهم أو عادات القيادة الخاصة بهم، ومع ذلك يحتاجون إلى أن تتعلم مركباتهم من الخبرة الجماعية للأسطول بأكمله. ولحل هذه المشكلة، طور الباحثون طريقة تسمى "التعلم الاتحادي" (Federated Learning). فبدلاً من إرسال البيانات الخام إلى خادم مركزي، تقوم كل سيارة بتدريب نموذج حاسوبي صغير على بياناتها المحلية الخاصة، وترسل فقط التحديثات الرياضية لهذا النموذج إلى منسق. هذا يبقي التفاصيل الخاصة داخل المركبة، ولكنه يطرح مشكلة جديدة: وهي أن التحديثات نفسها لا تزال قادرة على كشف معلومات حساسة، كما أن القنوات اللاسلكية المفتوحة التي تستخدمها السيارات عرضة للمخترقين الذين قد يتظاهرون بأنهم سيارة أو يتلاعبون بالبيانات.

اقترح فريق من الباحثين من جامعة جيانغسو نظاماً جديداً يسمى (EPDA) لمعالجة هذه الثغرات الأمنية خصيصاً لشبكات المركبات. ويركز عملهم على إيجاد طريقة تتيح لمئات السيارات المساهمة في نموذج تعلم مشترك دون الكشف عن هويتها أو ما تقوده، مع ضمان أن تكون العملية سريعة بما يكفي للعمل في حركة المرور في الوقت الفعلي. صمم الباحثون عملية مكونة من خطوتين تتعامل مع كل من التحقق من هوية السيارات ودمج تحديثات نماذجها. ومن خلال استخدام نوع محدد من التوقيع الرقمي الذي لا يتطلب حسابات تشفيرية ثقيلة، تمكنوا من إبقاء التكلفة الحسابية منخفضة للغاية. وفي اختباراتهم باستخدام مجموعة بيانات قياسية للتعرف على علامات المرور، استغرق النظام 0.03 ثانية فقط من وقت المعالجة لكل سيارة، ونقل 148 بايت فقط من البيانات لكل عميل، حتى عند رفع النطاق إلى 350 مركبة. ويشير هذا الكفاءة إلى أن مثل هذا النظام يمكن نشره واقعياً في بيئات المدن المزدحمة حيث السرعة والخصوصية أمران بالغة الأهمية.

يكمن التحدي الجوهري في هذا المجال في تحقيق التوازن بين الأمن والسرعة. فغال الطرق التقليدية لحماية البيانات تعتمد على عمليات رياضية معقدة تستغرق وقتاً طويلاً بالنسبة للقرارات التي تتطلب أجزاءً من الثانية في حركة المرور. أما الأساليب الأخرى فقد تحمي الخصوصية ولكنها تفشل في إخفاء هوية المرسل، مما يترك السائقين عرضة للتتبع. وقد عالج الباحثون خلف (EPDA) ذلك من خلال تقديم مخطط تجميع مزدوج. يتعامل الجزء الأول من نظامهم مع المصادقة. في سيناريو نموذجي، تعمل وحدة جانب الطريق كوحدة تجميع شبه موثوقة، تجمع التحديثات من السيارات القريبة. وقد زود الباحثون هذه المجموعة بطريقة للتحقق من أن جميع الرسائل الواردة حقيقية دون الحاجة إلى فحص كل منها على حدة. لقد حققوا ذلك من خلال دمج التوقيعات الرقمية من عدة سيارات في توقيع واحد مدمج. وهذا يسمح لوحدة جانب الطريق بتأكيد صلاحية دفعة كاملة من التحديثات في خطوة واحدة، بدلاً من التباطؤ للتحقق من كل مركبة على حد。 وهذه الطريقة تتجنب الحاجة إلى أدوات تشفير ثقيلة كانت ستؤدي إلى إبطاء النظام.

أما الجزء الثاني من النظام فيحمي المحتوى الفعلي لتحديثات النموذج. فحتى لو تم التحقق من شرعية السيارة، يمكن تحليل البيانات التي ترسلها لاستنتاج تفاصيل خاصة. ولمنع ذلك، طبق الباحثون تقنية "القناع" (Masking). فقبل أن ترسل السيارة تحديث نموذجها، تقوم بتشفير البيانات باستخدام مفتاح سري مشترك مع الخادم المركزي. يضمن هذا التشفير أن وحدة جانب الطريق، وهي وحدة شبه موثوقة فقط، لا يمكنها رؤية معاملات النموذج الخام. ويمكن للخادم المركزي، الذي يمتلك المفتاح الرئيسي، فك تشفير البيانات المجمعة لاحقاً لتحديث النموذج العالمي. تضمن هذه العملية أن المجمعين الوسيطين لا يرون أبداً المعلومات الحساسة، بينما لا تزال تسمح بإعادة بناء النموذج النهائي بشكل صحيح. كما يضمن النظام بقاء هوية السيارة مخفية؛ حيث تستخدم كل مركبة هوية مؤقتة ومزيفة لإرسالاتها، مما يجعل من المستحيل على المراقب ربط رسالتين مختلفتين بنفس السيارة. وفقط سلطة موثوقة، منفصلة عن جامعي البيانات، لديها القدرة على كشف الهوية الحقيقية إذا تصرفت سيارة بشكل ضار، مما يضمن أن الخصوصية لا تأتي على حساب المساءلة الكاملة.

ولاختبار مدى فعالية هذا النظام في الممارسة العملية، قام الباحثون بمحاكاة بيئة تعلم اتحادي باستخدام مجموعة بيانات تضم أكثر من 50,000 صورة لعلامات المرور. وقد وضعوا سيناريو حيث تشارك ما بين 50 إلى 350 سيارة افتراضية في عملية التدريب. وأظهرت النتائج أن الوقت المطلوب للعمليات التشفيرية ظل مستقراً بشكل ملحوظ بغض النظر عن عدد السيارات المشاركة. وبينما زاد الوقت اللازم للسيارات لتدريب نماذجها المحلية مع زيادة حجم بياناتها، ظل الوقت المستغرق في المهام الأمنية مثل التشفير والتوقيع منخفضاً باستمرار، بمتوسط يقل عن 0.04 ثانية لكل سيارة. كما كان الوقت المطلوب للخادم المركزي للتحقق من التوقيعات المجمعة ينمو بشكل خطي ولكنه ظل سريعاً جداً، حيث استغرق حوالي 3.2 ميلي ثانية فقط للتحقق من تحديثات 350 سيارة. ومن حيث نقل البيانات، كان النظام فعالاً للغاية، حيث تطلب من كل سيارة إرسال 148 بايت فقط من المعلومات في كل جولة، وهو أقل بكثير من الطرق الموجودة حالياً، والتي قد تتطلب مئات أو حتى آلاف البايتات لنفس المهمة.

وقارن الباحثون نهجهم بعدة طرق أخرى متطورة ووجدوا أن نظامهم كان أسرع وأخف وزناً باستمرار. فبينما اعتمدت بعض المخططات المنافسة على عمليات رياضية معقدة استغرقت ما يقرب من 10 ميلي ثانية للتحقق، أكمل نظام (EPDA) المهمة نفسها في جزء ضئيل من ذلك الوقت. كما انخفض العبء الاتصالي بشكل كبير، حيث كان إجمالي حجم البيانات لكل سيارة أقل من ثلث ما تتطلبه بعض الطرق الأخرى. وتشير هذه النتائج إلى أن المخطط المقترح ينجح في تجاوز المقايضة الصعبة بين ضمانات الخصوصية القوية ومتطلبات السرعة العالية لشبكات المركبات. وقد أثبت النظام قدرته على التعامل مع عدد كبير من المشاركين دون تدهور الأداء، مما يشير إلى إمكانية توسيع نطاقه بفعالية مع استمرار نمو عدد المركبات المتصلة على الطريق.

في الختបញ្ចប់، يوضح العمل أنه من الممكن بناء نظام تعلم آمن وخاص وفعال لعالم السيارات دون الاعتماد على الآلات الحسابية الثقيلة التي حدت سابقاً من مثل هذه التطبيقات. ومن خلال الجمع بين طريقة توقيع خفيفة وتقنية قناع آمنة، أنشأ الباحثون إطاراً حيث يمكن للسيارات أن تتعلم معاً دون كشف أسرارها أو إبطاء الشبكة. وتشير عمليات المحاكاة إلى أن هذا النهج جاهز للنشر في العالم الحقيقي، مما يوفر مساراً عملياً لأنظمة النقل الذكية التي تحترم خصوصية المستخدم مع الحفاظ على الأداء العالي اللازم للقيادة الآمنة. وتخلص الدراسة إلى أن طريقة التجميع المزدوج هذه توفر حلاً قابلاً للتطبيق لمستقبل المركبات المتصلة، حيث يجب أن تسير أمن البيانات وكفاءة التشغيل جنباً إلى جنب.