إطار العمل المعزز بتقنية البلوكتشين للتعلم الفدرالي المتجمع والقابل للتوسع (BCS-FL) في شبكات الطائرات بدون طيار

تعتبر الخصوصية والقابلية للتوسع والموثوقية تحديات كبيرة في شبكات الطائرات بدون طيار (UAV) كنظم موزعة، خاصة عند استخدام تقنيات التعلم الآلي (ML) مع تبادل بيانات كبير. مؤخراً، أدى تطبيق التعلم الفدرالي (FL) على شبكات الطائرات بدون طيار إلى تحسين التعاون والخصوصية والقدرة على التكيف، مما جعله إطار عمل واعد لتطبيقات الطائرات بدون طيار. ومع ذلك، فإن تنفيذ FL لشبكات الطائرات بدون طيار يقدم عيوبًا مثل عبء الاتصالات، وقضايا التزامن، وقيود القابلية للتوسع، وقيود الموارد. لمعالجة هذه التحديات، يقدم هذا البحث إطار عمل BCS-FL لشبكات الطائرات بدون طيار. هذا يحسن من اللامركزية، والتنسيق، والقابلية للتوسع، والكفاءة في FL في شبكات الطائرات بدون طيار واسعة النطاق. يقسم الإطار شبكات الطائرات بدون طيار إلى تجمعات منفصلة، يتم التنسيق بينها بواسطة رؤوس الشبكة (CHs)، لإنشاء رسم بياني متصل. يتيح التجمع تنسيقًا فعالاً لتحديثات نموذج ML. بالإضافة إلى ذلك، تولد أنظمة تجميع النموذج الهجينة بين التجمعات وداخل التجمعات النموذج العالمي بعد كل جولة تدريب، مما يحسن التعاون وتبادل المعرفة بين التجمعات. توضح النتائج الرقمية تحقيق التقارب، مع التأكيد أيضًا على المقايضات بين فعالية التدريب وكفاءة الاتصالات.