A Privacy-Preserving Federated Grey Wolf Optimization and Blockchain Framework for Trust Management in Decentralized 6G Edge Networks
本文提出了一种用于 6G 边缘网络的创新框架，该框架集成了保护隐私的联邦学习、基于灰狼优化算法的信任模型优化以及许可链技术，旨在实现针对对抗性攻击的鲁棒、弹性且私密的信任管理。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在不久的将来，无线网络将超越当前的世代，演变成一个庞大的、去中心化的智能网络。这些下一代系统不再依赖单一的中央云端进行决策，而是将计算能力推向网络的极边缘，即自动驾驶汽车、工业传感器和智慧城市基础设施运行的地方。在这种环境下，每个设备都必须不断决定是否信任其邻居。如果一辆汽车无法信任附近交通传感器的信号，或者一台工厂机器怀疑合作伙伴机器人的数据，整个系统就会面临失败的风险。挑战在于，这些网络是动态且混乱的：设备在移动，连接在变化，且存在试图欺骗系统的恶意行为者。为了安全运行，网络需要一种方法来验证每个参与者是否表现诚实，同时又不暴露私密数据，也不依赖于可能被黑客攻击或发生故障的单一权威机构。
拉希米·纳拉因理工学院（Lakshmi Narain College of Technology）的西玛·乔希（Seema Joshi）及其同事提出了一种解决这种复杂去中心化网络中信任问题的新方法。他们结合了三种不同的理念：一种无需共享私密数据即可共同学习的方法、一种受自然启发寻找最优解的策略，以及一个用于记录每一次决策的安全数字账本。他们的研究通过计算机模拟进行了测试，结果表明，该框架在识别谎言和达成共识方面比现有方法更出色，即使是在数据杂乱或不完整的情况下也是如此。其创新的核心在于，他们用一种模仿狼群狩猎的方式取代了用于更新信任评分的标准数学工具，使网络能够在嘈lıous（嘈杂/多噪）的环境中更可靠地寻找真相。
研究人员构建了一个系统，其中网络中的每个设备都保留一份关于其邻居行为的本地记录。它会追踪诸如邻居成功交付消息的频率、响应速度、消耗的能量以及是否表现出异常行为等指标。基于这些观察结果，设备会计算其同伴的信任分数。在过去，设备会尝试通过进行微小的、逐步的数学调整来改进这些分数，这个过程类似于沿着山坡向下走以找到最低点。然而，在信息不完整的混乱网络中，这种循序渐进的方法往往会陷入浅层的洼地，将局部低点误认为是真正的谷底。研究人员意识到，需要一种不同的方法来应对这种崎岖的地形。
研究团队没有采用小步挪动的方式，而是引入了一种受灰狼社会等级制度和狩猎战术启发的算法。在这个系统中，设备不仅仅是迈出一小步；它们模拟了一群狼在寻找猎物。所谓的“狼”是信任分数的潜在解决方案。目前发现的三种最佳解决方案充当领导者，引导其余的“狼群”在收敛到最佳答案之前，更广泛地探索搜索空间。这使得系统能够跳出困扰其他方法的浅层洼地，并找到真正的最优信任配置。至关重要的是，设备从不向任何人分享它们的原始观察结果或私密数据。它们只分享计算出的最终改良后的信任设置。这确保了每个设备的隐私得到维护，同时整个网络能更准确地学习如何信任。
为了确保没有任何设备操纵系统，研究人员在其中加入了被称为区块链的安全数字账本。这个账本作为一个不可篡改的公开记录，记录了每一次信任更新。当一个设备提交其新的信任设置时，账本上的智能合约（一种在账本上自动执行的程序）会根据该设备的历史记录对其提交内容进行检查。如果一个设备突然改变其设置，使其看起来可疑或与其过去的行为不一致，系统就会将其标记为潜在的恶意行为并拒绝该更新。这创造了一个自我修正的循环：狼启发式的搜索寻找最佳答案，而区块链则确保只有诚实的答案被接受。
团队在一个旨在模拟包含50个设备的6G边缘网络的模拟环境中测试了这个框架。他们将这种新方法与依赖逐步调整的标准方法以及使用其他隐私技术的方法进行了对比。结果显示，这种受狼启发的方法明显更加准确。它将信任估计的误差降低到了极低的水平，其表现优于那些在处理现实网络典型的杂乱、不均匀数据时表现挣扎的标准方法。该系统也更快地达到了稳定可靠的状态，所需的通信轮数更少。最重要的是，它在识别恶意行为者方面非常有效。当研究人员模拟恶意设备试图毒化系统或伪装成值得信赖的设备时，该框架的捕捉率接近97%，而标准方法则漏掉了相当一部分威胁。
虽然新系统更准确、更安全，但它也带来了一些权衡。由于狼启发式的搜索涉及比标准逐步调整法更复杂的计算，因此每个设备处理数据的时间略长。在模拟中，新方法每轮耗时约1.85秒，而标准方法不到一秒。然而，研究人员认为，对于信任管理而言，它不需要在毫秒级内完成，而是作为一种周期性的检查，因此为了获得安全性与准确性的巨大提升，付出这点时间成本是合理的。该系统成功平衡了隐私需求、动态网络的挑战以及欺骗威胁，为去中心化的机器如何辨别信任提供了一种稳健的方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。