مع استمرار توسع Internet of Things (IoT)، أصبحت حماية خصوصية بيانات المستخدم وأمان أنظمة IoT أكثر أهمية. يقترح هذا البحث إطار عمل آمن يجمع بين التعلم الفيدرالي (FL) وتقنيات التشفير المتقدمة لمعالجة مخاوف الخصوصية بينما يمكّن من التعلم الآلي التعاوني عبر أجهزة IoT غير المتجانسة. يسمح الإطار المقترح بمعالجة البيانات محليًا على أجهزة IoT، مما يضمن بقاء المعلومات الحساسة غير مركزية وألا تتعرض أبدًا لخرق محتمل أثناء تدريب النموذج. من خلال استخدام تقنيات مثل التشفير المتماثل الإضافي (AHE) والحساب الآمن متعدد الأطراف (SMPC)، يمكّن نهجنا من التجميع الآمن لتحديثات النموذج مع الحفاظ على سرية البيانات وسلامتها. علاوة على ذلك، يقلل الإطار بشكل فعال من عبء الاتصالات والمتطلبات الحسابية، مما يجعله مناسبًا لبيئات IoT ذات الموارد المحدودة. لا تعزز هذه الدراسة فقط حماية الخصوصية وأمان البيانات، بل تحسن أيضًا من كفاءة تحليل البيانات في المدن الذكية والرعاية الصحية والتطبيقات الصناعية. ستستكشف الأعمال المستقبلية قابلية التوسع والتكيف لهذا الإطار في سيناريوهات العالم الحقيقي، مما يمهد الطريق لنظام بيئي IoT أكثر أمانًا وتركيزًا على الخصوصية.
K et al. (الأربعاء) درسوا هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: