A Privacy-Preserving Federated Grey Wolf Optimization and Blockchain Framework for Trust Management in Decentralized 6G Edge Networks
यह शोध पत्र 6G एज नेटवर्क के लिए एक नवीन ढांचे का प्रस्ताव करता है जो प्रतिकूल हमलों के विरुद्ध एक सुदृढ़, लचीला और निजी ट्रस्ट प्रबंधन प्राप्त करने के लिए गोपनीयता-संरक्षण फेडरेटेड लर्निंग, ग्रे वुल्फ ऑप्टिमाइज़र-आधारित ट्रस्ट मॉडल अनुकूलन और एक परमिशनयुक्त ब्लॉकचेन को एकीकृत करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
निकट भविष्य में, वायरलेस नेटवर्क वर्तमान पीढ़ी से आगे बढ़कर बुद्धि के एक विशाल, विकेंद्रीकृत वेब के रूप में विकसित होंगे। निर्णय लेने के लिए एक एकल, केंद्रीय क्लाउड पर निर्भर रहने के बजाय, ये अगली पीढ़ी की प्रणालियाँ कंप्यूटिंग शक्ति को नेटवर्क के बिल्कुल किनारे (एज) पर ले जाएँगी, जहाँ स्वायत्त कारें, औद्योगिक सेंसर और स्मार्ट सिटी इंफ्रास्ट्रक्चर जैसे उपकरण संचालित होते हैं। इस वातावरण में, प्रत्येक उपकरण को लगातार यह तय करना होगा कि वह अपने पड़ोसियों पर भरोसा कर सकता है या नहीं। यदि एक कार पास के ट्रैफिक सेंसर के सिग्नल पर भरोसा नहीं कर पाती है, या यदि एक फैक्ट्री मशीन अपने साथी रोबोट के डेटा पर संदेह करती है, तो पूरा सिस्टम विफल होने का जोखिम उठाता है। चुनौती यह है कि ये नेटवर्क गतिशील और अराजक हैं; उपकरण चलते रहते हैं, कनेक्शन बदलते रहते हैं, और बुरे तत्व सिस्टम को धोखा देने की कोशिश कर सकते हैं। सुरक्षित रूप से कार्य करने के लिए, नेटवर्क को यह सत्यापित करने के एक तरीके की आवश्यकता है कि प्रत्येक प्रतिभागी ईमानदारी से व्यवहार कर रहा है, बिना निजी डेटा को उजागर किए या किसी एकल प्राधिकरण पर निर्भर हुए जिसे हैक किया जा सके या जो विफल हो जाए।
शोधकर्ता सीमा जोशी और उनके सहयोगियों ने लक्ष्मी नारायण कॉलेज ऑफ टेक्नोलॉजी में इस जटिल, विकेंद्रीकृत नेटवर्क में विश्वास की समस्या को हल करने का एक नया तरीका प्रस्तावित किया है। उन्होंने तीन अलग-अलग विचारों को मिलाया: निजी डेटा साझा किए बिना मिलकर सीखने की एक विधि, प्रकृति से प्रेरित सर्वोत्तम समाधान खोजने की एक रणनीति, और प्रत्येक निर्णय को रिकॉर्ड करने के लिए एक सुरक्षित डिजिटल लेजर। उनके कार्य ने, जिसे कंप्यूटर सिमुलेशन में परखा गया, यह सुझाव दिया कि उनका ढांचा वर्तमान तरीकों की तुलना में झूठ बोलने वालों को पकड़ने और सहमति बनाने में बेहतर है, भले ही डेटा अव्यवस्थित या अधूरा हो। उनकी नवीनता का मूल आधार मानक गणितीय उपकरणों को बदलने में है जिनका उपयोग ट्रस्ट स्कोर को अपडेट करने के लिए किया जाता है, और इसके स्थान पर एक ऐसी प्रणाली को लाना है जो भेड़ियों के झुंड के शिकार करने के तरीके की नकल करती है, जिससे नेटवर्क शोर वाले वातावरण में अधिक विश्वसनीय रूप से सत्य तक पहुँच पाता है।
शोधकर्ताओं ने एक ऐसा सिस्टम बनाया जहाँ नेटवर्क में प्रत्येक उपकरण अपने पड़ोसियों के व्यवहार का एक स्थानीय रिकॉर्ड रखता है। यह ट्रैक करता है कि एक पड़ोसी कितनी बार सफलतापूर्वक संदेश भेजता है, वह कितनी तेज़ी से प्रतिक्रिया देता है, वह कितनी ऊर्जा का उपयोग करता है, और क्या वह अजीब व्यवहार के संकेत दिखाता है। इन अवलोकनों के आधार पर, उपकरण अपने साथियों के लिए एक 'ट्रस्ट स्कोर' (विश्वास स्कोर) की गणना करता है। अतीत में, उपकरण एक ढलान से नीचे उतरकर सबसे निचले बिंदु को खोजने जैसी प्रक्रिया के माध्यम से इन स्कोर को सुधारने का प्रयास करते थे, जो छोटे-छोटे चरणों में गणितीय समायोजन करने जैसा था। हालाँकि, एक अराजक नेटवर्क में, जहाँ जानकारी अधूरी होती है, यह चरण-दर-चरण दृष्टिकोण अक्सर एक उथले गड्ढे में फंस जाता है, जिससे वह एक स्थानीय निम्न बिंदु को ही वास्तविक निचला बिंदु समझ लेता है। शोधकर्ताओं ने महसूस किया कि इस ऊबड़-खाबड़ रास्ते पर चलने के लिए एक अलग दृष्टिकोण की आवश्यकता थी।
छोटे कदम उठाने के बजाय, टीम ने ग्रे वुल्फ (धूसर भेड़िये) के सामाजिक पदानुक्रम और शिकार करने की रणनीति से प्रेरित एक विधि पेश की। इस प्रणाली में, उपकरण केवल एक कदम नहीं उठाते; वे एक पैक भेड़ियों द्वारा शिकार खोजने का अनुकरण करते हैं। यहाँ "भेड़िये" ट्रस्ट स्कोर के लिए संभावित समाधान हैं। अब तक पाए गए तीन सर्वश्रेष्ठ समाधान नेताओं के रूप में कार्य करते हैं, जो बाकी झुंड को सबसे सटीक उत्तर तक पहुँचने से पहले खोज क्षेत्र (सर्च स्पेस) को व्यापक रूप से तलाशने के लिए निर्देशित करते हैं। यह प्रणाली को उन उथले गड्ढों से बाहर निकलने में मदद करता है जिनमें अन्य विधियाँ फंस जाती हैं, और वास्तविक इष्टतम कॉन्फ़िगरेशन तक पहुँचने में सक्षम बनाती है। महत्वपूर्ण रूप से, उपकरण अपना कच्चा अवलोकन या निजी डेटा किसी के साथ साझा नहीं करते हैं। वे केवल अंतिम, सुधारे हुए ट्रस्ट सेटिंग्स साझा करते हैं जिन्हें उन्होंने गणना किया है। यह सुनिश्चित करता है कि प्रत्येक उपकरण की गोपनीयता बनी रहे जबकि पूरा नेटवर्क अधिक सटीकता से विश्वास करना सीखता है।
यह सुनिश्चित करने के लिए कि कोई भी उपकरण सिस्टम में हेरफेर न करे, शोधकर्ताओं ने इसमें एक सुरक्षित डिजिटल लेजर, जिसे ब्लॉकचेन कहा जाता है, को शामिल किया है। यह लेजर प्रत्येक ट्रस्ट अपडेट का एक अपरिवर्तनीय सार्वजनिक रिकॉर्ड के रूप में कार्य करता है। जब कोई उपकरण अपनी नई ट्रस्ट सेटिंग्स सबमिट करता है, तो एक स्मार्ट कॉन्ट्रैक्ट—जो लेजर पर एक स्व-निष्पादित प्रोग्राम है—सबमिशन की जाँच उस उपकरण के इतिहास के विरुद्ध करता है। यदि कोई उपकरण अचानक अपनी सेटिंग्स को इस तरह बदलता है जो संदिग्ध लगता है या उसके पिछले व्यवहार के साथ असंगत है, तो सिस्टम उसे संभावित रूप से दुर्भावनापूर्ण मानकर फ्लैग कर देता है और अपडेट को अस्वीकार कर देता है। यह एक स्व-सुधारात्मक चक्र बनाता है जहाँ भेड़िये से प्रेरित खोज सर्वोत्तम उत्तर खोजती है, और ब्लॉकचेन यह सुनिश्चित करता है कि केवल ईमानदार उत्तर ही स्वीकार किए जाएं।
टीम ने इस ढांचे का परीक्षण एक सिम्युलेटेड वातावरण में किया जिसे 50 उपकरणों वाले 6G एज नेटवर्क की नकल करने के लिए डिज़ाइन किया गया था। उन्होंने अपने नए तरीके की तुलना मानक दृष्टिकोणों से की जो चरण-दर-चरण समायोजन पर निर्भर करते हैं और उन तरीकों से भी जो अन्य गोपनीयता तकनीकों का उपयोग करते हैं। परिणामों ने दिखाया कि उनकी भेड़िये से प्रेरित प्रणाली काफी अधिक सटीक थी। इसने ट्रस्ट अनुमान की त्रुटि को बहुत कम स्तर तक कम कर दिया, और उन मानक तरीकों को पीछे छोड़ दिया जो वास्तविक दुनिया के नेटवर्क के विशिष्ट अव्यवस्थित और असमान डेटा के साथ संघर्ष करते हैं। नया सिस्टम बहुत तेज़ी से एक स्थिर, विश्वसनीय स्थिति में भी पहुँच गया, जिसे सत्य पर सहमत होने के लिए संचार के कम दौरों की आवश्यकता पड़ी। सबसे महत्वपूर्ण बात यह है कि यह बुरे तत्वों को पकड़ने में अत्यधिक प्रभावी साबित हुआ। जब शोधकर्ताओं ने ऐसे हमलों का अनुकरण किया जहाँ दुर्भावनापूर्ण उपकरणों ने सिस्टम को विषाक्त करने या भरोसेमंद होने का ढोंग करने की कोशिश की, तो इस नए ढांचे ने लगभग 97 प्रतिशत बार उन्हें पकड़ लिया, जबकि मानक तरीकों ने खतरों का एक बड़ा हिस्सा छोड़ दिया।
हालाँकि नया सिस्टम अधिक सटीक और सुरक्षित है, लेकिन इसके साथ एक समझौता भी आता है। क्योंकि भेड़िये से प्रेरित खोज में मानक चरण-दर-चरण पद्धति की तुलना में अधिक जटिल गणनाएँ शामिल हैं, इसलिए प्रत्येक उपकरण को अपने डेटा को प्रोसेस करने में थोड़ा अधिक समय लगता है। सिमुलेशन में, नया तरीका प्रति दौर लगभग 1.85 सेकंड लेता है, जबकि मानक दृष्टिकोण एक सेकंड से भी कम समय लेता है। हालाँकि, शोधकर्ताओं का तर्क है कि ट्रस्ट प्रबंधन के लिए, जिसे मिलीसेकंड के बजाय एक आवधिक जांच की आवश्यकता होती है, सुरक्षा और सटीकता में भारी सुधार के लिए यह अतिरिक्त समय देना एक उचित कीमत है। यह प्रणाली गोपनीयता, गतिशील नेटवर्क की चुनौती और धोखे के खतरे के बीच सफलतापूर्वक संतुलन बनाती है, जो विकेंद्रीकृत मशीनों के लिए एक मजबूत तरीका प्रदान करती है कि वे जान सकें कि वे किस पर भरोसा कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।