VahanSWARM: A Blockchain-Driven Swarm Learning Framework for Secure Intelligent Vehicle Supply Chain Networks
यह शोध पत्र VahanSWARM का प्रस्ताव करता है, जो एक ब्लॉकचेन-संचालित स्वार्म लर्निंग फ्रेमवर्क है जो हितधारकों को कच्चे डेटा को साझा किए बिना मॉडल को सहयोगात्मक रूप से प्रशिक्षित करने की अनुमति देकर, SHA-256 हैशिंग के माध्यम से ऑडिटेबिलिटी सुनिश्चित करते हुए, इंटेलिजेंट वाहन आपूर्ति श्रृंखलाओं के लिए सुरक्षित, विकेंद्रीकृत और गोपनीयता-संरक्षित मांग पूर्वानुमान को सक्षम बनाता 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
ऑटोमोबाइल की दुनिया पहले से कहीं अधिक तेज़ी से बदल रही है। 2026 तक, हल्के वाहनों का वैश्विक उत्पादन 92.6 मिलियन यूनिट तक पहुँचने की उम्मीद है, और 2035 तक, सड़क पर जुड़े हुए वाहनों (connected vehicles) की संख्या बढ़कर 2.1 बिलियन हो सकती है। मशीनों का यह विस्फोट बिक्री, रखरखाव और लोगों के आवागमन के बारे में भारी मात्रा में डेटा उत्पन्न करता है। कार निर्माताओं और डीलरों के लिए, इस डेटा को समझना यह अनुमान लगाने के लिए महत्वपूर्ण है कि ग्राहक आगे क्या चाहेंगे, यह सुनिश्चित करने के लिए कि कारखाने सही कारें बनाएं, और आपूर्ति श्रृंखलाओं (supply chains) को सुचारू रूप से चलाने के लिए भी आवश्यक है। हालाँकि, एक बड़ी बाधा रास्ते में खड़ी है: गोपनीयता। इन भविष्यवाणियों को करने के लिए आवश्यक डेटा विभिन्न कंपनियों और व्यक्तियों के बीच बिखरा हुआ है। निर्माता उत्पादन रिकॉर्ड रखते हैं, डीलरों के पास बिक्री लॉग होते हैं, और ग्राहकों के पास व्यक्तिगत ड्राइविंग आदतें होती हैं। कोई भी कंपनी अपने निजी डेटा को किसी केंद्रीय सर्वर को सौंपना नहीं चाहती, क्योंकि उन्हें लीक या नियंत्रण खोने का डर रहता है, फिर भी इस जानकारी को साझा किए बिना, सटीक भविष्यवाणियां करना लगभग असंभव हो जाता है।
इस पहेली को सुलझाने के लिए, शोधकर्ताओं अर्चना कुर्डे, सुशील कुमार सिंह और रुचि पटेल ने 'वहनस्वार्म' (VahanSWARM) नामक एक नई प्रणाली विकसित की है। यह ढांचा ऑटोमोबाइल उद्योग के विभिन्न पक्षों को एक-दूसरे को अपना निजी डेटा प्रकट किए बिना मांग का पूर्वानुमान लगाने के लिए मिलकर काम करने की अनुमति देता है। सभी कच्चे आंकड़ों को एक स्थान पर एकत्र करने के बजाय, यह प्रणाली प्रत्येक प्रतिभागी को अपने डेटा को अपने स्वयं के कंप्यूटरों पर रखने देती है। वे एक स्थानीय कंप्यूटर प्रोग्राम को अपनी विशिष्ट जानकारी से सीखने के लिए प्रशिक्षित करते हैं और फिर केवल उस सीख के अंतिम परिणामों को साझा करते हैं—अनिवार्य रूप से, एक प्रश्न के "उत्तर" को, न कि उस प्रश्न को या उसे हल करने के लिए उपयोग किए गए नोट्स को। इन उत्तरों को एक एकल, साझा भविष्यवाणी बनाने के लिए संयोजित किया जाता है। यह सुनिश्चित करने के लिए कि प्रक्रिया के दौरान कोई भी इन साझा किए गए उत्तरों में बदलाव न कर सके, शोधकर्ताओं ने इसमें एक डिजिटल लेजर जोड़ा है, जो एक सुरक्षित रिकॉर्ड-कीपिंग तकनीक है जिसे ब्लॉकचेन कहा जाता है, जो प्रत्येक किए गए कदम का एक अपरिवर्तनीय लॉग के रूप में कार्य करता है।
इस प्रणाली का मूल आधार 'स्वार्म लर्निंग' (swarm learning) नामक एक विधि पर निर्भर है। कल्पना कीजिए कि लोगों का एक समूह एक पहेली को सुलझाने की कोशिश कर रहा है, लेकिन वे अलग-अलग कमरों में हैं और एक-दूसरे को अपने टुकड़े नहीं दिखा सकते। इसके बजाय, वे में से प्रत्येक अपने हिस्से को हल करता है और फिर अपनी प्रगति को एक पड़ोसी को फुसफुसाकर बताता है। इस डिजिटल संस्करण में, कार निर्माता, डीलर और ग्राहक इन पड़ोसियों के रूप में कार्य करते हैं। प्रत्येक इकाई केवल अपने स्थानीय डेटा का उपयोग करके एक मॉडल (एक प्रकार का कंप्यूटर प्रोग्राम जो पैटर्न को पहचानता है) को प्रशिक्षित करती है। एक बार प्रशिक्षित होने के बाद, वे केवल उन भविष्यवाणियों का आदान-प्रदान करते हैं जो उनके मॉडलों ने की थीं। इन भविष्यवाणियों को नेटवर्क में इस तरह से सिंक्रोनाइज़ किया जाता है कि सभी के पास एक सर्वसम्मति, या एक साझा समझौता हो, कि कारों की भविष्य की मांग कैसी होगी। महत्वपूर्ण बात यह है कि यह बिना किसी केंद्रीय बॉस या सर्वर के होता है जो सबको निर्देश दे, जिससे 'सिंगल पॉइंट ऑफ फेलियर' का जोखिम समाप्त हो जाता है जहाँ एक कंप्यूटर के बंद होने पर पूरा सिस्टम क्रैश हो सकता है।
इस प्रक्रिया को विश्वसनीय बनाने के लिए, शोधकर्ताओं ने ब्लॉकचेन तकनीक, विशेष रूप से 'हाइपरलेजर फैब्रिक' (Hyperledger Fabric) नामक एक प्रणाली को एकीकृत किया है। हर बार जब एक भविष्यवाणी साझा की जाती है, तो उसे 'SHA-256' नामक एक मानक गणितीय विधि का उपयोग करके एक अद्वितीय डिजिटल फिंगरप्रिंट, जिसे 'हैश' (hash) कहा जाता है, में बदल दिया जाता है। इस फिंगरप्रिंट को टाइमस्टैम्प और प्रेषक की पहचान के साथ ब्लॉकचेन पर दर्ज किया जाता है। चूंकि यह रिकॉर्ड बदला या मिटाया नहीं जा सकता है, इसलिए कोई भी पीछे मुड़कर देख सकता है और सत्यापित कर सकता है कि डेटा के साथ छेड़छाड़ नहीं की गई है। यह एक सुरक्षित, पारदर्शी मार्ग बनाता है जो मूल डेटा के संवेदनशील विवरणों को उजागर किए बिना सहयोगात्मक प्रयास की अखंडता को सिद्ध करता है। परिणाम स्वरूप, एक ऐसी प्रणाली प्राप्त होती है जो सटीक पूर्वानुमान की आवश्यकता और डेटा गोपनीयता एवं सुरक्षा की सख्त आवश्यकताओं के बीच संतुलन बनाती है।
जब शोधकर्ताओं ने 'वहनस्वार्म' का परीक्षण किया, तो उन्होंने इसकी तुलना कई अन्य विधियों के विरुद्ध की, जिसमें पारंपरिक केंद्रीकृत प्रणालियाँ (जहाँ सारा डेटा एक स्थान पर एकत्र किया जाता है) और 'फेडरेटेड लर्निंग' जैसे अन्य गोपनीयता-केंद्रित दृष्टिकोण शामिल थे। उन्होंने एक वास्तविक दुनिया की आपूर्ति श्रृंखला का अनुकरण करने के लिए ऐतिहासिक कार बिक्री डेटा का उपयोग किया जिसमें निर्माता, डीलर और ग्राहक शामिल थे। परिणामों ने दिखाया कि जबकि पारंपरिक केंद्रीकृत विधि थोड़ी अधिक सटीक थी, इसके लिए सभी को अपना निजी डेटा सौंपना आवश्यक था, जो अक्सर व्यावहारिक नहीं होता है। नए 'वहनस्वार्म' सिस्टम ने केंद्रीकृत विधि के बहुत करीब स्तर की सटीकता प्राप्त की, जिसमें भविष्यवाणी त्रुटि दर केवल थोड़ी अधिक थी, जबकि सभी प्रतिभागियों के लिए पूर्ण गोपनीयता बनाए रखी गई। इस प्रणाली ने सफलतापूर्वक प्रदर्शित किया कि एक केंद्रीय समन्वयक के बिना, कच्चा डेटा साझा किए बिना, और सूचना की सुरक्षा से समझौता किए बिना जटिल भविष्यवाणियों पर सहयोग करना संभव है।
अध्ययन ने इस प्रणाली की मजबूती (robustness) पर भी प्रकाश डाला। सिमुलेशन में, यह ढांचा 'सिंगल पॉइंट ऑफ फेलियर' के प्रति लचीला साबित हुआ, जिसका अर्थ है कि यदि एक प्रतिभागी बाहर हो जाता है, तो भी नेटवर्क कार्य करना जारी रख सकता है। इसके अलावा, ब्लॉकचेन घटक ने एक अपरिवर्तनीय ऑडिट ट्रेल प्रदान किया, जिससे प्रतिभागियों को अपनी भविष्यवाणियों के इतिहास को ट्रैक करने और किसी भी प्रकार की छेड़छाड़ का पता लगाने की अनुमति मिली। शोधकर्ताओं ने पाया कि ब्लॉकचेन सत्यापन जोड़ने से संचार कार्य में थोड़ी अतिरिक्त वृद्धि हुई, लेकिन सुरक्षा और विश्वास में महत्वपूर्ण लाभ के लिए यह एक मामूली समझौता था। सिस्टम ने प्रशिक्षण के कई दौरों में सहयोगात्मक सीखने की प्रक्रिया को स्थिर बनाए रखा, जिससे पता चला कि प्रतिभागी अपने स्थानीय डेटा को सुरक्षित रखते हुए एक-दूसरे से प्रभावी ढंग से सीख सकते हैं।
यह कार्य भविष्य के इंटेलिजेंट व्हीकल सप्लाई चेन के लिए एक व्यावहारिक मार्ग सुझाता है। स्वार्म लर्निंग को ब्लॉकचेन के साथ जोड़कर, 'वहनस्वार्म' प्रतिस्पर्धी और सहयोगी व्यवसायों को अपनी प्रतिस्पर्धात्मक बढ़त या ग्राहक गोपनीयता से समझौता किए बिना अंतर्दृष्टि साझा करने का एक तरीका प्रदान करता है। शोधकर्ताओं ने निष्कर्ष निकाला कि उनका ढांचा भविष्य कहने वाले प्रदर्शन और सुरक्षित, विकेंद्रीकृत सहयोग की आवश्यकता के बीच सफलतापूर्वक संतुलन बनाता है। हालांकि वर्तमान अध्ययन में सिम्युलेटेड डेटा और विशिष्ट एल्गोरिदम का उपयोग किया गया था, लेकिन निष्कर्ष संकेत देते हैं कि इस प्रणाली को वास्तविक दुनिया में बड़े, अधिक विविध परिदृश्यों को संभालने के लिए स्केल किया जा सकता है। भविष्य के कार्यों में और भी अधिक जटिल डेटा सेटों के साथ इस प्रणाली का परीक्षण करना और विभिन्न प्रकार के प्रेडिक्शन मॉडल की खोज करना शामिल हो सकता है, लेकिन मुख्य उपलब्धि स्पष्ट है: ऑटोमोटिव उद्योग के लिए मिलकर भविष्य की भविष्यवाणी करने का एक सुरक्षित, निजी और प्रभावी तरीका।
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।