DOI: https://doi.org/10.32604/cmc.2026.077222
تاريخ النشر: 2026-01-01
المؤلف: Abuzar Khan وآخرون
الموضوع الرئيسي: الملاحة البحرية والسلامة
نظرة عامة
تقدم البحث إطار عمل لحماية الخصوصية في الحافة والسحابة مصمم لتحليلات بحرية تعتمد على نظام التعريف التلقائي (AIS)، مع معالجة التحديات المتعلقة بتعرض البيانات الحساسة والامتثال للوائح الخصوصية. من خلال استخدام التعلم الفيدرالي، يسمح الإطار للموانئ والسفن بالعمل كعملاء فيدراليين، حيث يتم تدريب مصنفات نوع السفن على بيانات AIS المحلية مع نقل تحديثات مقطوعة ومضطربة غاوسياً فقط إلى منسق سحابي آمن. تكشف التقييمات على مجموعة بيانات AIS العامة أن طريقة الت averaging الفيدرالي غير الخاصة (FedAvg) تحقق منطقة تحت المنحنى (AUC) للتحقق تبلغ حوالي 0.90 وAUC للاختبار حوالي 0.78، مما يتماشى بشكل وثيق مع المعايير المركزية. إن إدخال ضوضاء الخصوصية التفاضلية المعتدلة (δ ≤ 0.5) يحافظ بفعالية على الفائدة التنبؤية عبر طرق التجميع المختلفة، بينما تظل تكلفة الاتصال ضئيلة.
تشير النتائج إلى أنه من الممكن إجراء تحليلات بحرية فعالة دون مركزية بيانات AIS الخام، مما يمهد الطريق لخدمات الذكاء الاصطناعي المعززة للخصوصية في السياقات البحرية الموزعة. يهدف العمل المستقبلي إلى التحقق من صحة هذا الإطار في البيئات البحرية الواقعية، وتعزيز تعبير النموذج، واستكشاف تقنيات الخصوصية المتقدمة مثل الحوسبة متعددة الأطراف (MPC) والتشفير بعد الكم. بالإضافة إلى ذلك، قد يتم توسيع قابلية تطبيق الإطار لتشمل بنى تحتية حيوية أخرى، مما يزيد من تأثيره.
مقدمة
تناقش مقدمة ورقة البحث الدور الحاسم للحوسبة السحابية في اللوجستيات البحرية، لا سيما في تمكين الخدمات المدفوعة بالذكاء الاصطناعي مثل تحسين المسارات واكتشاف الشذوذ من خلال تدفق بيانات نظام التعريف التلقائي (AIS). ومع ذلك، فإن مركزية هذه البيانات تطرح تحديات كبيرة تتعلق بالأمان والخصوصية، حيث يمكن أن تكشف مسارات AIS عن معلومات تجارية حساسة ويجب أن تمتثل لأطر تنظيمية متنوعة. تدابير الأمان التقليدية غير كافية، حيث تفشل في حماية البيانات بشكل كافٍ ضد إعادة التعريف والتهديدات الداخلية.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل للتعلم التعاوني للحافة إلى السحابة يحافظ على الخصوصية مصمم خصيصًا لتحليلات بحرية تعتمد على AIS. يسمح هذا الإطار للسفن والبنى التحتية للموانئ بالعمل كعملاء فيدراليين، مع الاحتفاظ ببيانات AIS الخام محليًا بينما يتم نقل تحديثات النموذج المضطربة فقط إلى السحابة. يضمن استخدام الخصوصية التفاضلية أن تظل معلومات المسار الفردية سرية، وتمنع تقنيات التجميع الآمن الخادم من الوصول إلى بيانات العميل المحددة. يتم تقييم فعالية الإطار باستخدام مجموعة بيانات AIS من كاجل، مما يظهر أنه يمكنه الحفاظ على الفائدة في اكتشاف الشذوذ ونمذجة المسارات مع الالتزام بضمانات الخصوصية. لا تعزز هذه الطريقة الخصوصية في التحليلات البحرية فحسب، بل تعمل أيضًا كمعيار قابل للتكرار لتعلم الفيدرالي وتقنيات تعزيز الخصوصية في الأنظمة السيبرانية الفيزيائية.
طرق
يقدم قسم المنهجية نظرة شاملة على إطار عمل تحليلات الذكاء الاصطناعي الفيدرالي المقترح الذي يحافظ على الخصوصية. يوضح العمليات المعنية في معالجة البيانات، مما يضمن حماية المعلومات الحساسة بشكل كافٍ قبل التحليل. يتضمن الإطار أيضًا تقسيم العملاء، وهي خطوة حاسمة تسهل توزيع البيانات عبر عدة عملاء مع الحفاظ على الخصوصية.
علاوة على ذلك، يوضح القسم مرحلة تدريب النموذج، حيث يتم تطوير نماذج التعلم الآلي بشكل تعاوني دون مركزية البيانات، مما يعزز الخصوصية. أخيرًا، يتضمن الإطار آلية تقييم الهجوم والدفاع، التي تقيم متانة النظام ضد انتهاكات الخصوصية المحتملة والهجمات العدائية. تهدف هذه المقاربة الشاملة إلى تحقيق توازن بين التحليلات الفعالة مع ضمانات الخصوصية الصارمة.
نتائج
توضح النتائج المقدمة في الجدول 11 تأثير مستويات مختلفة من ضوضاء الخصوصية التفاضلية (DP) واستراتيجيات التجميع على أداء النموذج. عندما لا يتم تطبيق أي ضوضاء DP ($\sigma = 0$)، تحقق جميع طرق التجميع درجات عالية بشكل متقارب في منطقة التحقق ومنطقة الاختبار تحت المنحنى (AUC). ومع ذلك، مع زيادة مستوى الضوضاء، يتم ملاحظة تراجع تدريجي في الأداء، مع انخفاض كبير عند $\sigma = 1.0$. من الجدير بالذكر أن طريقة التجميع المتوسطة المقطوعة تظهر متانة محسنة قليلاً عند مستويات الضوضاء المعتدلة، بينما تؤدي الاضطرابات الشديدة ($\sigma = 5.0$) إلى تدهور ملحوظ في الفائدة.
تؤكد هذه النتائج على التبادلات الكامنة بين الخصوصية والفائدة في تطبيقات الخصوصية التفاضلية، مما يكشف عن اختلافات متواضعة فقط في الأداء بين تقنيات التجميع القوية المستخدمة. تؤكد النتائج على أهمية اختيار مستويات الضوضاء وطرق التجميع المناسبة لتحقيق توازن بين مخاوف الخصوصية وفعالية النموذج.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم السريع في أمان السحابة، وتقنيات تعزيز الخصوصية (PETs)، والتعلم الموزع، لا سيما في سياق التحليلات البحرية باستخدام بيانات نظام التعريف التلقائي (AIS). تحدد فجوة كبيرة بين طرق الذكاء الاصطناعي العامة التي تحافظ على الخصوصية واحتياجات التطبيقات البحرية المحددة، والتي يهدف الإطار المتكامل للحافة إلى السحابة المقترح إلى معالجتها. يستخدم الإطار التعلم الفيدرالي (FL) لتسهيل التدريب الموزع مع ضمان سرية البيانات والامتثال للوائح. يشير المؤلفون إلى أن الأدبيات الحالية غالبًا ما تتجاهل تعقيدات البنى التحتية الحيوية، مع التركيز بشكل أساسي على الدقة بدلاً من التبادلات المتعلقة بميزانيات الخصوصية وموثوقية النموذج.
تناقش الورقة أيضًا تطبيق FL في التحليلات البحرية، مع التأكيد على أهمية التجميع الآمن والخصوصية التفاضلية لحماية بيانات AIS الحساسة من الثغرات مثل التزوير والتشويش. يقدم المؤلفون تقييمًا شاملاً لإطارهم، مما يظهر فعاليته في الحفاظ على أداء تنبؤي قوي مع حماية الخصوصية. يذكرون أن نهجهم يحقق AUC ماكرو يبلغ حوالي 0.90 على بيانات التحقق و0.78 على بيانات الاختبار، مع تسرب خصوصية ضئيل يشير إليه AUC ROC بالقرب من 0.5. تؤكد النتائج على إمكانية تحقيق ذكاء بحري آمن وتعاوني وتقترح مجالات للبحث المستقبلي، بما في ذلك دمج نماذج أكثر تقدمًا وتقنيات تعزيز الخصوصية.
القيود
تسلط الدراسة الضوء على عدة آثار عملية وقيود للإطار المقترح للأنظمة البحرية المدعومة بالسحابة. من خلال اعتبار السفن والموانئ كعملاء فيدراليين، يسهل الإطار التعلم عبر المنظمات مع حماية بيانات AIS الخام، مما يخفف من التحديات التنظيمية. توضح تحليل الأحمال المشفرة الثابتة وتكاليف الاتصال جدوى الإطار في البيئات ذات قيود النطاق الترددي. علاوة على ذلك، تشير الأداء القوي لكل من FedAvg وDP-FedAvg تحت تسميات غير متجانسة إلى أن أنماط الحركة الواقعية لا تعيق عملية التدريب.
ومع ذلك، تعترف الدراسة ببعض القيود، بما في ذلك اعتمادها على مجموعة بيانات AIS واحدة، واستخدام تقسيمات مبسطة، وهياكل نموذج ثابتة، وافتراضات بشأن الهجمات غير التكيفية. قد تقيد هذه العوامل عمومية وقابلية تكيف الإطار في سياقات تشغيلية متنوعة.
DOI: https://doi.org/10.32604/cmc.2026.077222
Publication Date: 2026-01-01
Author(s): Abuzar Khan et al.
Primary Topic: Maritime Navigation and Safety
Overview
The research presents a privacy-preserving edge-cloud framework designed for Automatic Identification System (AIS)-based maritime analytics, addressing the challenges of sensitive data exposure and compliance with privacy regulations. By employing federated learning, the framework allows ports and vessels to act as federated clients, training vessel-type classifiers on local AIS data while only transmitting clipped, Gaussian-perturbed updates to a secure cloud coordinator. Evaluation on a public AIS dataset reveals that the non-private Federated Averaging (FedAvg) method achieves a validation Area Under the Curve (AUC) of approximately 0.90 and a test AUC of about 0.78, closely aligning with centralized benchmarks. The introduction of moderate differential privacy noise (δ ≤ 0.5) effectively preserves predictive utility across various aggregation methods, while communication overhead remains minimal.
The findings indicate that it is possible to conduct effective maritime analytics without centralizing raw AIS data, thus paving the way for resilient, privacy-enhanced AI services in distributed maritime contexts. Future work aims to validate this framework in real-world maritime settings, enhance model expressiveness, and explore advanced privacy technologies such as Multi-Party Computation (MPC) and post-quantum cryptography. Additionally, the framework’s applicability may be extended to other critical infrastructures, further broadening its impact.
Introduction
The introduction of the research paper discusses the critical role of cloud computing in maritime logistics, particularly in enabling AI-driven services such as route optimization and anomaly detection through the streaming of Automatic Identification System (AIS) data. However, the centralization of this data poses significant security and privacy challenges, as AIS trajectories can reveal sensitive commercial information and must comply with diverse regulatory frameworks. Traditional security measures are insufficient, as they fail to adequately protect against the re-identification of data and insider threats.
To address these challenges, the authors propose a privacy-preserving edge-to-cloud collaborative learning framework specifically designed for AIS-based maritime analytics. This framework allows vessels and port infrastructures to act as federated clients, retaining raw AIS data locally while only transmitting perturbed model updates to the cloud. The use of differential privacy ensures that individual trajectory information remains confidential, and secure aggregation techniques prevent the server from accessing client-specific data. The framework’s effectiveness is evaluated using a Kaggle AIS dataset, demonstrating that it can maintain utility in anomaly detection and route modeling while adhering to privacy guarantees. This approach not only enhances privacy in maritime analytics but also serves as a reproducible benchmark for federated learning and privacy-enhancing technologies in cyber-physical systems.
Methods
The methodology section presents a comprehensive overview of the proposed privacy-preserving federated Artificial Intelligence System (AIS) analytics framework. It details the processes involved in data preprocessing, which ensures that sensitive information is adequately protected before analysis. The framework also includes client partitioning, a critical step that facilitates the distribution of data across multiple clients while maintaining privacy.
Furthermore, the section elaborates on the model training phase, where machine learning models are developed collaboratively without centralizing the data, thereby enhancing privacy. Finally, the framework incorporates an attack-defense evaluation mechanism, which assesses the robustness of the system against potential privacy breaches and adversarial attacks. This holistic approach aims to balance effective analytics with stringent privacy safeguards.
Results
The results presented in Table 11 illustrate the impact of varying levels of differential privacy (DP) noise and aggregation strategies on model performance. When no DP noise is applied ($\sigma = 0$), all aggregation methods yield comparably high validation and test area under the curve (AUC) scores. However, as the noise level increases, a gradual decline in performance is observed, with a significant drop at $\sigma = 1.0$. Notably, the trimmed-mean aggregation method exhibits slightly enhanced robustness at moderate noise levels, while extreme perturbation ($\sigma = 5.0$) results in a marked deterioration of utility.
These findings underscore the inherent trade-offs between privacy and utility in differential privacy applications, revealing only modest variations in performance among the robust aggregation techniques employed. The results emphasize the importance of selecting appropriate noise levels and aggregation methods to balance privacy concerns with model effectiveness.
Discussion
The discussion section of the research paper highlights the rapid advancements in cloud security, privacy-enhancing technologies (PETs), and distributed learning, particularly in the context of maritime analytics using Automatic Identification System (AIS) data. It identifies a significant gap between generic privacy-preserving AI methods and the specific needs of maritime applications, which the proposed integrated edge-to-cloud framework aims to address. The framework employs federated learning (FL) to facilitate distributed training while ensuring data confidentiality and compliance with regulations. The authors note that existing literature often overlooks the complexities of critical infrastructures, focusing primarily on accuracy rather than the trade-offs involving privacy budgets and model fidelity.
The paper further discusses the application of FL in maritime analytics, emphasizing the importance of secure aggregation and differential privacy to protect sensitive AIS data from vulnerabilities such as spoofing and jamming. The authors present a comprehensive evaluation of their framework, demonstrating its effectiveness in maintaining strong predictive performance while safeguarding privacy. They report that their approach achieves a macro AUC of approximately 0.90 on validation data and 0.78 on test data, with minimal privacy leakage indicated by an ROC AUC near 0.5. The findings underscore the feasibility of secure, collaborative maritime intelligence and suggest avenues for future research, including the integration of more advanced models and privacy-enhancing technologies.
Limitations
The research highlights several practical implications and limitations of the proposed framework for cloud-enabled maritime systems. By treating vessels and ports as federated clients, the framework facilitates cross-organization learning while safeguarding raw AIS data, thereby alleviating regulatory challenges. The analysis of fixed-size encrypted payloads and communication costs demonstrates the framework’s feasibility in bandwidth-constrained environments. Furthermore, the robust performance of both FedAvg and DP-FedAvg under heterogeneous labels suggests that realistic traffic patterns do not impede the training process.
However, the study acknowledges certain limitations, including its dependence on a singular AIS dataset, the use of simplified partitions, fixed model structures, and assumptions regarding non-adaptive attacks. These factors may restrict the generalizability and adaptability of the framework in diverse operational contexts.