Collaborative Federated Learning to Secure 6G-IoT with Deep Convolutional Generative Adversarial Network

تمهيد

حققت تطورات الاتصالات اللاسلكية تحسينات كبيرة في الاتصالات مع كل جيل جديد، وقد رفع المعيار الخلوي القادم للجيل السادس التوقعات عاليًا، وبخاصة لتطبيقات إنترنت الأشياء، إذ يهدف إنترنت الأشياء المعتمد على الجيل السادس إلى إنشاء بيئة ذكية واسعة الانتشار ذاتية التحسين، غير أن هذه البيئة تواجه مخاطر أمنية، ويزداد الدفاع ضد الهجمات صعوبة بسبب توزع أجهزة إنترنت الأشياء وتباينها، وتسعى نظم كشف التسلل القائمة على التعلم الاتحادي إلى تعزيز الأمن بدرجة اعتماد أعلى من التدريب المحلي، لكن التعلم الاتحادي التقليدي يعاني ارتفاع زمن انتقال الاتصالات

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى معالجة تحديات أمن إنترنت الأشياء في بيئة الجيل السادس عبر نظام كشف تسلل موزع يجمع بين التعلم الاتحادي التعاوني وكفاءة المعالجة، واقترحت نظامًا لكشف التسلل قائمًا على التعلم الاتحادي التعاوني يعمل عبر مستويات تعلم مختلفة هي مستوى الجهاز ومستوى الضباب والسحابة، بهدف تقليل نقل البيانات، فيتعاون على مستوى الجهاز الأجهزة المتجاورة مستفيدة من قدراتها الحاسوبية لتحقيق كشف أسرع، ولتحسين الدقة وتمكين المعالجة السريعة اقترحت الدراسة نموذج شبكة توليدية تنافسية التفافية عميقة لتدريب البيانات عند كل مستوى من المستويات

وجاء هذا التصميم ردًا على قيدين عمليين، فالتعلم الاتحادي عبر بنية ضبابية حل مطروح لتقليل زمن الانتقال، لكن خوادم الضباب قد لا تتوفر في كل موقع، وقد يؤدي الاتصال بأجهزة إنترنت الأشياء إلى تأخير عملية التعلم ذاتها، وقيم أداء النظام المقترح على مجموعة بيانات حديثة هي مجموعة إيدج آي آي أو تيست، وقورن بأساليب موزعة ومركزية أخرى للتحقق من فعاليته النسبية

ثانيًا: أبرز النتائج

أظهرت نتائج التقييم فعالية النظام المقترح على نحو ملموس: (1) حقق النظام دقة بلغت 96.20 في المئة في كشف التسلل على مجموعة البيانات الحديثة المستخدمة، (2) بلغ زمن الكشف 4.5 ملي ثانية فقط، وهو زمن شديد الانخفاض يناسب بيئات إنترنت الأشياء التي تتطلب استجابة شبه فورية للهجمات، (3) أثبت التوزيع التعاوني للتعلم عبر مستوى الجهاز ومستوى الضباب والسحابة قدرته على تقليل نقل البيانات مع الحفاظ على دقة عالية، متفوقًا في التوازن بين الدقة والسرعة على الأساليب الموزعة والمركزية المقارنة في التقييم، بما يعالج قيد زمن الانتقال الذي يعانيه التعلم الاتحادي التقليدي

ثالثًا: دلالات الدراسة وتطبيقاتها

تشير نتائج الدراسة إلى مسار عملي لتأمين بيئات إنترنت الأشياء الواسعة في عصر الجيل السادس، إذ يمكن لمشغلي الشبكات ومطوري منصات إنترنت الأشياء توزيع كشف التسلل قرب مصادر البيانات بدل تركيزه في خادم واحد، فيقصر زمن الاستجابة وينخفض حجم البيانات المنقولة، ويستفيد تصميم المستويين من الأجهزة المتجاورة ذاتها بوصفها موارد حاسوبية مشاركة في الدفاع، وهو أمر جوهري في بيئات تعج بأجهزة محدودة ومتباينة لا تحتمل حلولًا مركزية ثقيلة

كما تنسحب دلالات الدراسة على الباحثين في أمن الشبكات والتعلم الاتحادي، إذ تقدم لهم بنية تجمع بين التعاون الهرمي ونموذج توليدي تنافسي عميق لتدريب البيانات عند كل مستوى، قابلة للتطوير والاختبار على مجموعات بيانات وسيناريوهات هجوم أخرى، وتبين أن التغلب على غياب خوادم الضباب في بعض المواقع ممكن بتفعيل التعاون بين الأجهزة نفسها بدل انتظار بنية وسيطة قد لا توجد

وينبع التصميم ذو المستويين من واقع ميداني لا يمكن تجاهله، فبنية الضباب التي تعول عليها كثير من الحلول الوسيطة ليست متاحة في كل موقع تنتشر فيه أجهزة إنترنت الأشياء، وحين تغيب يتعطل التعلم أو يتأخر بانتظار خوادم بعيدة، ولذلك يجعل النظام الأجهزة المتجاورة نفسها شريكًا في التعلم والكشف مستثمرًا قدراتها الحاسوبية القائمة بدل افتراض بنية وسيطة مثالية، ويعمل نموذج الشبكة التوليدية التنافسية الالتفافية العميقة عند كل مستوى على تحسين تدريب البيانات بما يرفع الدقة ويسرع المعالجة، فتتكامل اللامركزية المكانية مع قوة النموذج التعليمي في منظومة واحدة قابلة للنشر في بيئات متباينة البنية والموارد

وخلاصة القول إن هذه الدراسة تقترح نظامًا موزعًا لكشف التسلل لأمن إنترنت الأشياء في بيئة الجيل السادس يقوم على التعلم الاتحادي التعاوني عبر الأجهزة والضباب والسحابة وعلى شبكة توليدية تنافسية التفافية عميقة، وقد أثبت التقييم فعاليته بدقة 96.20 في المئة وزمن كشف قدره 4.5 ملي ثانية، بما يقدم دفاعًا سريعًا ومتقنًا ضد هجمات متزايدة الصعوبة