FL-GWO: A Federated Learning and Grey Wolf Optimization Framework for Blockchain-Assisted Trust Management in Decentralized IoT-Edge Systems
Dit artikel stelt FL-GWO voor, een nieuw framework dat federated learning integreert met Grey Wolf Optimization en blockchain-technologie om privacy-bewarend, adaptief en robuust vertrouwensbeheer in gedecentraliseerde IoT-edge-systemen mogelijk te maken door vertrouwenparameters dynamisch te optimaliseren via zwermintelligentie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de uitgestrekte, onzichtbare netwerken die de moderne wereld aandrijven, werken miljarden kleine apparaten — van slimme sensoren op het land tot verkeersmonitors in steden — samen om beslissingen te nemen zonder een centrale baas. Dit is het domein van het Internet of Things, waar computers met computers praten om alles soepel te laten verlopen. Maar wanneer deze apparaten verspreid zijn over een enorm gebied, wordt het een moeilijke puzzel om elkaar te vertrouwen. Als een apparaat vreemd begint te doen, misschien omdat de batterij bijna leeg is of omdat een hacker de controle heeft overgenomen, kan het hele systeem in chaos worden gestort. Traditionele methoden om te controleren wie betrouwbaar is, vertrouwen vaak op rigide regels of een centrale autoriteit die alle gegevens verzamelt, maar deze benaderingen hebben moeite om zich aan te passen aan de snel veranderende, chaotische realiteit van de echte wereld en slagen er vaak niet in de privacy van de betrokken apparaten te beschermen.
Om dit op te lossen, hebben onderzoekers zich gericht op twee krachtige ideeën. Het eerste is een manier waarop computers samen kunnen leren zonder ooit hun privégeheimen te delen. Stel je een groep buren voor die allemaal willen leren hoe ze een specifiek type motor moeten repareren, maar niemand wil dat anderen hun persoonlijke gereedschap of aantekeningen zien. In plaats daarvan oefenen ze elk op hun eigen manier, schrijven ze alleen de algemene lessen op die ze hebben geleerd, en delen die aantekeningen met een centrale leraar die ze combineert tot een meestergids. Deze methode, bekend als federated learning, stelt de groep in staat om slimmer te worden terwijl ze hun privé-informatie veilig houden. Het tweede idee komt uit de natuur: de manier waarop grijze wolven jagen. In een wolvenroedel leiden de leiders de groep naar de prooi, waarbij ze voortdurend hun positie aanpassen om het beste pad te vinden. Deze natuurlijke strategie van samenwerken om de optimale oplossing te vinden, is vertaald naar een computeralgoritme dat complexe problemen kan oplossen door de hiërarchie en beweging van de roedel na te bootsen.
Een team van onderzoekers aan het Lakshmi Narain College of Technology in India heeft deze twee concepten gecombineerd in een nieuw systeem dat ontworpen is om gedecentraliseerde netwerken veilig en eerlijk te houden. Ze noemen hun creatie FL-GWO, een framework dat gebruikmaakt van de privacy van federated learning en de slimme zoekkracht van het grijze wolf-algoritme om vertrouwen te beheren. In hun systeem traint elk apparaat in het netwerk zijn eigen lokale model om te beoordelen of zijn buren zich goed gedragen. In plaats van ruwe gegevens over wat het ziet te versturen, stuurt het apparaat alleen de bijgewerkte regels die het heeft geleerd. Deze regels worden vervolgens naar een centraal knooppunt gestuurd, niet om ze op een simpele manier te middelen, maar om ze te verfijnen door het grijze wolf-algoritme. Dit algoritme behandelt de zoektocht naar de perfecte set vertrouwensregels als een jacht, waarbij de drie beste oplossingen die tot nu toe zijn gevonden, de rest van de groep leiden naar een nauwkeurigere manier om gedrag te beoordelen. Zodra de beste set regels is gevonden, wordt deze teruggestuurd naar alle apparaten, waardoor een continue lus ontstaat waarin het netwerk constant leert en zich aanpast aan nieuwe dreigingen.
Om er zeker van te zijn dat deze vertrouwensgegevens niet gemanipuleerd kunnen worden, hebben de onderzoekers hun systeem ook verbonden met een blockchain, een digitale grootboek dat fungeert als een permanente, onveranderlijke dagboek. Elke keer dat het netwerk zijn vertrouwensregels bijwerkt, wordt die wijziging op dit grootboek vastgelegd, wat een transparante geschiedenis creëert die iedereen kan verifiëren maar die niemand kan wijzigen. Deze opzet zorgt ervoor dat zelfs als een apparaat probeert te liegen over zijn eerdere gedrag, het onveranderlijke record de waarheid zal onthullen. De onderzoekers testten hun systeem in een gesimuleerde omgeving met vijftig apparaten, inclus van eerlijke, defecte en kwaadwillende apparaten die ontworpen zijn om als hackers te fungeren. Ze vergeleken hun nieuwe methode met oudere technieken die gebruikmaakten van vaste regels of eenvoudige middeling. De resultaten toonden aan dat het nieuwe systeem aanzienlijk beter was in het opsporen van de slechte actoren. Het identificeerde betrouwbare apparaten in 93,2% van de gevallen, terwijl oudere methoden moeite hadden en sommige kwaadwillende apparaten bijna 15% van de tijd niet ontdekten.
Misschien wel het belangrijkste is dat het systeem ongelooflijk veerkrachtig bleek. Zelfs toen de onderzoekers het aantal kwaadwillende apparaten verhoogden naar 40% van het netwerk — een scenario waarin de meeste andere systemen zouden instorten — behield het nieuwe framework een nauwkeurigheid van 89,5%. Dit komt omdat het grijze wolf-algoritme niet statisch is; het kan zijn focus onmiddellijk verschuiven. Als een apparaat dat eerder werd vertrouwd plotseling verdacht begint te gedragen, past het systeem snel de weging aan die het geeft aan verschillende gedragingen, zoals hoe snel het berichten verzendt of hoeveel energie het verbruikt, om de verandering te vangen. De studie vond ook dat dit hoge niveau van beveiliging niet ten koste ging van de snelheid; het systeem convergeerde op een oplossing in slechts 85 communicatierondes, sneller dan de concurrerende methoden. Hoewel de onderzoekers opmerken dat het systeem in een simulatie is getest en dat de implementatie in de echte wereld verdere arbeid vereist om enorme schaal en complexe privacybehoeften aan te kunnen, suggereren de bevindingen een veelbelovend pad voorwaarts. Door apparaten samen te laten leren zonder geheimen te delen en natuurlijke logica te gebruiken om de beste regels te vinden, biedt deze benadering een robuuste manier om de gedecentraliseerde toekomst van technologie veilig en betrouwbaar te houden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.