DOI: https://doi.org/10.1038/s41598-025-34290-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41495373
تاريخ النشر: 2026-01-06
المؤلف: S. P. Panimalar وآخرون
الموضوع الرئيسي: التقنيات التي تحافظ على الخصوصية في البيانات
نظرة عامة
تقدم البحث FedGenBlk، وهو إطار عمل للتعلم الفيدرالي مصمم لتعزيز خصوصية البيانات وكفاءة النموذج في البيئات السحابية. من خلال دمج خوارزمية جينية (GA) لتحسين المعلمات مع آلية تجميع مدعومة بتقنية البلوكشين، يعالج FedGenBlk التحديات الرئيسية مثل توزيع العملاء غير المتجانس، والمخاطر العدائية، وعدم استقرار التقارب. يقوم مكون GA باختيار العملاء ديناميكيًا وضبط المعلمات، مما يضمن تعلمًا مستقرًا حتى في ظل ظروف غير IID (غير مستقلة وموزعة بشكل متطابق). توفر طبقة البلوكشين تجميع نماذج محصن ضد التلاعب، مما يقلل من آثار التحديثات الخبيثة والأعطال البيزنطية.
تشير النتائج التجريبية على مجموعة بيانات EMNIST إلى أن FedGenBlk يحقق دقة تبلغ 91.2%، مع فارق قدره 1.9% فقط بين إعدادات IID وnon-IID، ويظهر قوة ضد هجمات التسمم، حيث يظهر انخفاضًا قدره 3.1% في الدقة. تؤكد التحقق على مجموعات بيانات CIFAR-10 وFashion-MNIST مزايا الأداء المستمرة للإطار عبر أنماط البيانات المختلفة. بشكل عام، يعزز FedGenBlk بشكل كبير موثوقية وأمان وقابلية تكيف التعلم الفيدرالي، مما يجعله مناسبًا بشكل خاص للتطبيقات في الرعاية الصحية، وإنترنت الأشياء، والخدمات المالية، والذكاء التعاوني عبر المنظمات.
مقدمة
تسلط المقدمة الضوء على التأثير التحويلي لتوليد البيانات بشكل متسارع على التعلم الآلي، مع التأكيد على الحاجة إلى نهج يوازن بين الكفاءة الحاسوبية وخصوصية البيانات. يكافح التعلم الآلي المركزي التقليدي مع البيانات الحساسة الموزعة عبر منظمات وأجهزة مختلفة، مما أدى إلى ظهور التعلم الفيدرالي. يسمح هذا الإطار اللامركزي للكيانات المتعددة بتطوير نماذج التعلم الآلي بشكل تعاوني مع الحفاظ على بياناتها الخام آمنة، مما يعالج مخاوف الخصوصية التي تعيق التعاون على نطاق واسع.
على الرغم من مزاياه، يواجه التعلم الفيدرالي تحديات عملية كبيرة، بما في ذلك عدم كفاءة الاتصال، وتعقيدات في تجميع النماذج، وتنوع المشاركين، وقابلية التعرض للهجمات العدائية. تعقد دمج الحوسبة السحابية هذه القضايا، حيث يقدم تحديات أمان فريدة يمكن أن تعرض ضمانات خصوصية البيانات للخطر. غالبًا ما تفشل آليات الحفاظ على الخصوصية التقليدية في البيئات السحابية الديناميكية، ويمكن أن تخلق الطبيعة المركزية لأنظمة تنسيق السحابة ثغرات. ومع ذلك، تقدم التقدمات في تكنولوجيا البلوكشين حلولًا محتملة من خلال تعزيز الأمان والمساءلة من خلال حفظ السجلات المحصنة ضد التلاعب وبروتوكولات موزعة. ومع ذلك، تبقى الأعباء الحاسوبية ومشكلات قابلية التوسع في تطبيقات البلوكشين التقليدية عقبات كبيرة لتطبيقات التعلم الفيدرالي في الوقت الحقيقي.
الطرق
تركز المنهجية المقترحة على التعلم الفيدرالي (FL)، وهو نموذج للتعلم الآلي الموزع يمكّن عدة مشاركين من بناء نموذج موحد بشكل تعاوني مع الحفاظ على مجموعاتهم البيانية موزعة. تعالج هذه الطريقة التحديات الكبيرة المتأصلة في أنظمة FL التقليدية، على الرغم من عدم تفصيل العقبات المحددة في النص المقدم.
لتقييم أداء إطار العمل المقترح FedGenBlk، يستخدم المؤلفون مقارنة شاملة ضد ثلاث فئات من طرق الأساس: (1) أساليب FL الأساسية، (2) تقنيات معززة للتحسين، و(3) أطر FL المتطورة القوية. تهدف هذه الاختيارات إلى عزل وتسليط الضوء على المساهمات الفريدة لـ FedGenBlk مع توفير معايير أداء ذات مغزى عبر أبعاد تقييم مختلفة.
النتائج
في هذا القسم، يتم تفصيل النتائج التجريبية للإطار المقترح، FedGenBlk، مع تسليط الضوء على أدائه مقارنةً بنماذج التعلم الفيدرالي التقليدية. تشمل معايير التقييم الدقة، والقدرة على الصمود ضد هجمات التسمم، وقدرة الإطار على إدارة بيانات غير IID (مستقلة وموزعة بشكل متطابق).
تشير النتائج إلى أن FedGenBlk يظهر دقة متفوقة مقارنة بالنماذج التقليدية، خاصة في السيناريوهات التي تتضمن توزيعات بيانات غير IID. بالإضافة إلى ذلك، يظهر الإطار مرونة محسنة ضد هجمات التسمم، مما يشير إلى إمكانيته لتطبيقات التعلم الفيدرالي الأكثر أمانًا. بشكل عام، تؤكد النتائج فعالية FedGenBlk في معالجة التحديات الرئيسية في بيئات التعلم الفيدرالي.
المناقشة
في هذا القسم، يناقش المؤلفون دمج حساب التطور وتقنيات التحسين الجيني ضمن أطر التعلم الفيدرالي (FL) لمعالجة التحديات الكبيرة مثل اختيار العملاء، وضبط المعلمات، وتخصيص الموارد. يسلطون الضوء على قيود أنظمة FL الحالية، التي غالبًا ما تفشل في معالجة الحفاظ على الخصوصية، ومرونة النظام، وكفاءة التحسين في الوقت نفسه، خاصة في البيئات السحابية. تجمع الحل المقترح، FedGenBlk، بين الخوارزميات الجينية وتكنولوجيا البلوكشين لتعزيز الأمان والأداء في إعدادات التعلم اللامركزية. يهدف هذا الإطار إلى تحسين المعلمات الحرجة للنظام مع ضمان سلامة البيانات وشفافيتها من خلال سجلات البلوكشين غير القابلة للتغيير.
تشمل المساهمات الرئيسية لهذا البحث تطوير بنية موحدة تدمج التعلم الفيدرالي، والتحسين الجيني، وتقنيات دفتر السجلات الموزعة. يقدم المؤلفون بروتوكولات مبتكرة لحماية البيانات باستخدام التشفير المتجانس بالكامل وطرق الحساب الآمن التعاوني. بالإضافة إلى ذلك، يقومون بإنشاء آليات مرونة ديناميكية للحفاظ على عمليات النظام تحت ظروف عدائية متنوعة، بما في ذلك الهجمات البيزنطية. تظهر التقييمات التجريبية أن FedGenBlk يتفوق على المنهجيات الحالية عبر معايير تقييم متعددة، مثل سرعات تقارب الخوارزميات، ومرونة النظام. يحدد البحث هيكل الإطار المقترح ويضع الأساس لتوجهات البحث المستقبلية في تعزيز أنظمة التعلم الفيدرالي.
DOI: https://doi.org/10.1038/s41598-025-34290-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41495373
Publication Date: 2026-01-06
Author(s): S. P. Panimalar et al.
Primary Topic: Privacy-Preserving Technologies in Data
Overview
The research introduces FedGenBlk, a federated learning framework designed to enhance data privacy and model efficiency in cloud-based environments. By integrating a genetic algorithm (GA) for hyperparameter optimization with a blockchain-supported aggregation mechanism, FedGenBlk addresses key challenges such as heterogeneous client distributions, adversarial risks, and unstable convergence. The GA component dynamically selects clients and tunes hyperparameters, ensuring stable learning even under non-IID (non-independent and identically distributed) conditions. The blockchain layer provides tamper-proof model aggregation, which mitigates the effects of malicious updates and Byzantine failures.
Experimental results on the EMNIST dataset indicate that FedGenBlk achieves an accuracy of 91.2%, with only a 1.9% variance between IID and non-IID settings, and demonstrates robustness against poisoning attacks, showing only a 3.1% drop in accuracy. Validation on CIFAR-10 and Fashion-MNIST datasets further confirms the framework’s consistent performance advantages across various data modalities. Overall, FedGenBlk significantly enhances the reliability, security, and adaptability of federated learning, making it particularly suitable for applications in healthcare, IoT, financial services, and cross-organizational collaborative intelligence.
Introduction
The introduction highlights the transformative impact of exponential data generation on machine learning, emphasizing the need for approaches that balance computational efficiency with data privacy. Traditional centralized machine learning struggles with sensitive data distributed across various organizations and devices, prompting the rise of federated learning. This decentralized framework allows multiple entities to collaboratively develop machine learning models while keeping their raw data secure, addressing privacy concerns that hinder large-scale collaboration.
Despite its advantages, federated learning faces significant practical challenges, including communication inefficiencies, complexities in model aggregation, participant heterogeneity, and susceptibility to adversarial attacks. The integration of cloud computing further complicates these issues, as it introduces unique security challenges that can compromise data privacy guarantees. Traditional privacy-preserving mechanisms often fail in dynamic cloud environments, and the centralized nature of cloud orchestration systems can create vulnerabilities. However, advancements in blockchain technology offer potential solutions by enhancing security and accountability through tamper-proof record-keeping and distributed protocols. Yet, the computational overhead and scalability issues of conventional blockchain implementations remain significant hurdles for real-time federated learning applications.
Methods
The proposed methodology centers on Federated Learning (FL), a distributed machine learning paradigm enabling multiple participants to collaboratively construct a unified model while keeping their datasets decentralized. This approach addresses significant challenges inherent in traditional FL systems, although specific obstacles are not detailed in the provided text.
To evaluate the performance of the proposed FedGenBlk framework, the authors employ a comprehensive comparison against three categories of baseline methods: (1) foundational FL approaches, (2) optimization-enhanced techniques, and (3) state-of-the-art robust FL frameworks. This selection aims to isolate and highlight the unique contributions of FedGenBlk while providing meaningful performance benchmarks across various evaluation dimensions.
Results
In this section, the experimental results of the proposed framework, FedGenBlk, are detailed, highlighting its performance relative to traditional federated learning models. The evaluation criteria include accuracy, robustness against poisoning attacks, and the framework’s ability to manage non-IID (Independent and Identically Distributed) data.
The findings indicate that FedGenBlk demonstrates superior accuracy compared to conventional models, particularly in scenarios involving non-IID data distributions. Additionally, the framework exhibits enhanced resilience to poisoning attacks, suggesting its potential for more secure federated learning applications. Overall, the results underscore the effectiveness of FedGenBlk in addressing key challenges in federated learning environments.
Discussion
In this section, the authors discuss the integration of evolutionary computation and genetic optimization techniques within federated learning (FL) frameworks to address significant challenges such as client selection, hyperparameter tuning, and resource allocation. They highlight the limitations of existing FL systems, which often fail to simultaneously tackle privacy preservation, system resilience, and optimization efficiency, particularly in cloud environments. The proposed solution, FedGenBlk, combines genetic algorithms with blockchain technology to enhance security and performance in decentralized learning settings. This framework aims to optimize critical system parameters while ensuring data integrity and transparency through immutable blockchain records.
Key contributions of this research include the development of a unified architecture that integrates federated learning, genetic optimization, and distributed ledger technologies. The authors introduce innovative data protection protocols utilizing fully homomorphic encryption and collaborative secure computation methods. Additionally, they establish dynamic robustness mechanisms to maintain system operations under various adversarial conditions, including Byzantine attacks. Empirical evaluations demonstrate that FedGenBlk outperforms existing methodologies across multiple assessment criteria, such as data confidentiality, algorithmic convergence speed, and system resilience. The paper outlines the structure of the proposed framework and sets the stage for future research directions in enhancing federated learning systems.