DOI: https://doi.org/10.1038/s41598-025-11883-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41611741
تاريخ النشر: 2026-01-29
المؤلف: Ali Alqazzaz
الموضوع الرئيسي: أمان الشبكة الذكية والقدرة على التحمل
نظرة عامة
تقدم البحث SecuFL-IoT، وهو إطار تعلم فدرالي جديد مصمم لبيئات إنترنت الأشياء الصناعية (IIoT)، مع التركيز على الأمان والكفاءة. يتضمن الإطار الكشف التكيفي عن الشذوذ، والتشفير المتجانس القائم على الشبكات، والخصوصية التفاضلية، والتعلم المعزز، محققًا درجة F1 تبلغ 88.5% مع معدل إيجابيات كاذبة منخفض يبلغ 2.7%. كما يحافظ على ضمانات خصوصية قوية (ϵ = 0.9) ويقلل من معدلات النجاح العدائية إلى أقل من 9%. ومن الجدير بالذكر أن SecuFL-IoT يقلل من عبء الاتصال بنسبة 53% مقارنة بنموذج FedAvg ويتقارب أسرع بنسبة 23% من FedOPT، بينما يقلل أيضًا من استهلاك الطاقة بنسبة 35%، مما يجعله مناسبًا بشكل خاص لتطبيقات IIoT المحدودة الموارد.
على الرغم من مزاياه، يواجه SecuFL-IoT تحديات مثل تأخير التشفير بسبب التشفير المتجانس والقيود الناجمة عن الطوبولوجيا الثابتة، مما قد يعيق التكيف في البيئات الديناميكية. تشمل اتجاهات البحث المستقبلية استكشاف إدارة الثقة المعتمدة على blockchain للمصادقة اللامركزية وطرق التشفير الخفيفة لتخفيف العبء الحسابي. بالإضافة إلى ذلك، سيتطور الإطار ليشمل بروتوكولات التعلم الفدرالي غير المتزامن لإدارة المشاركة غير المنتظمة للأجهزة ومشكلات الاتصال بشكل أفضل. تشير المحاكاة إلى أنه حتى مع دوران عملاء بنسبة 30%، يحافظ الإطار على انخفاض معقول في الأداء بنسبة 4.2% فقط في درجة F1، مما يوضح إمكانيته للكشف عن الشذوذ في الوقت الحقيقي في المصانع الذكية والبنى التحتية الصناعية الحيوية مع الالتزام بمعايير الأمن السيبراني ISA/IEC 62,443.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة في تصميم وتقييم إطار SecuFL-IoT. تبدأ العملية بجمع البيانات ومعالجتها مسبقًا، وهي ضرورية لضمان سلامة وملاءمة البيانات المدخلة. بعد ذلك، يوضح المؤلفون نموذج النظام والافتراضات الأساسية التي توجه تطوير الإطار.
يتناول القسم أيضًا مكونات وإجراءات العمل للإطار المقترح، مما يوفر فهمًا شاملاً لهيكله التشغيلي. أخيرًا، يحدد المؤلفون مقاييس التقييم المستخدمة لتقييم أداء SecuFL-IoT، مما يضع أساسًا لقياس فعاليته في التطبيقات المستهدفة.
النتائج
يقدم قسم النتائج النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود علاقة قوية بين المتغيرات المستقلة والتابعة، مع وجود دلالة إحصائية تم إثباتها من خلال الاختبارات المناسبة. على سبيل المثال، كشف التحليل أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة متCorresponding، مما يشير إلى وجود علاقة سببية محتملة.
علاوة على ذلك، يتناول النقاش تداعيات هذه النتائج، موضحًا سياقها ضمن الأدبيات الحالية. تدعم النتائج الفرضية القائلة بأن التدخل $A$ يؤثر إيجابيًا على النتيجة $B$، مما يعزز الدراسات السابقة بينما يتناول أيضًا القيود المحتملة والمجالات للبحث المستقبلي. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال، مما يمهد الطريق لمزيد من الاستكشاف للآليات الأساسية المعنية.
نقاش
في هذا القسم، يقدم المؤلفون إطار SecuFL-IoT، وهو نهج جديد للتعلم الفدرالي الآمن (FL) مصمم لشبكات إنترنت الأشياء الصناعية (IIoT). يتم صياغة مشكلة التحسين لتقليل خسارة النموذج العالمي مع ضمان التجميع الآمن من خلال التشفير المتجانس والحفاظ على تكاليف الاتصال ضمن حدود محددة. لتعزيز المرونة ضد الهجمات العدائية، يتم دمج عقوبة للت perturbations العدائية، وآلية تعديل الوزن تعطي الأولوية للتحديثات من العقد ذات الثقة العالية. يجمع الإطار بشكل فريد بين الخصوصية التفاضلية والتشفير المتجانس، جنبًا إلى جنب مع الكشف التكيفي عن الشذوذ باستخدام الشبكات التلافيفية الزمنية (TCN) والتعلم المعزز لتعديلات العتبة الديناميكية.
تشمل مساهمات هذا البحث تطوير إطار شامل لا يعالج فقط القضايا المتعلقة بالخصوصية والأمان، بل أيضًا يحسن كفاءة الموارد في الاتصال، مما يجعله مناسبًا للنشر في بيئات IIoT المحدودة الموارد. ستؤكد التجارب الواسعة باستخدام مجموعة بيانات X-IIoTID أداء الإطار من حيث الأمان والكفاءة والصلابة ضد الهجمات العدائية. يؤكد المؤلفون أنه على عكس نماذج الكشف عن الشذوذ المعتمدة على FL الحالية، يجمع SecuFL-IoT بين تقنيات متقدمة متعددة لتعزيز كل من الأمان والقابلية للتطبيق العملي، متماشياً مع معايير الأمن السيبراني للتطبيقات الصناعية.
DOI: https://doi.org/10.1038/s41598-025-11883-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41611741
Publication Date: 2026-01-29
Author(s): Ali Alqazzaz
Primary Topic: Smart Grid Security and Resilience
Overview
The research presents SecuFL-IoT, a novel federated learning framework designed for Industrial Internet of Things (IIoT) environments, emphasizing security and efficiency. The framework incorporates adaptive anomaly detection, lattice-based homomorphic encryption, differential privacy, and reinforcement learning, achieving an F1-score of 88.5% with a low false positive rate of 2.7%. It also maintains strong privacy guarantees (ϵ = 0.9) and reduces adversarial success rates to below 9%. Notably, SecuFL-IoT decreases communication overhead by 53% compared to the FedAvg model and converges 23% faster than FedOPT, while also lowering energy consumption by 35%, making it particularly suitable for resource-constrained IIoT applications.
Despite its advantages, SecuFL-IoT faces challenges such as encryption latency due to homomorphic encryption and limitations arising from a static topology, which may hinder adaptability in dynamic environments. Future research directions include the exploration of blockchain-based trust management for decentralized authentication and lightweight encryption methods to alleviate computational overhead. Additionally, the framework will evolve to incorporate asynchronous federated learning protocols to better manage irregular device participation and connectivity issues. Simulations indicate that even with a 30% client churn, the framework maintains a reasonable performance drop of only 4.2% in F1-score, demonstrating its potential for real-time anomaly detection in smart factories and critical industrial infrastructures while adhering to ISA/IEC 62,443 cybersecurity standards.
Methods
In this section, the authors outline the methodology employed in the design and evaluation of the SecuFL-IoT framework. The process begins with data collection and preprocessing, which are critical for ensuring the integrity and relevance of the input data. Following this, the authors detail the system model and the underlying assumptions that guide the framework’s development.
The section further elaborates on the components and workflow of the proposed framework, providing a comprehensive understanding of its operational structure. Finally, the authors define the evaluation metrics used to assess the performance of SecuFL-IoT, establishing a basis for measuring its effectiveness in the intended applications.
Results
The results section presents the key findings of the study, highlighting significant outcomes derived from the analysis. The data indicates a strong correlation between the independent and dependent variables, with statistical significance established through appropriate tests. For instance, the analysis revealed that as variable $X$ increases, variable $Y$ demonstrates a corresponding increase, suggesting a potential causal relationship.
Furthermore, the discussion elaborates on the implications of these findings, contextualizing them within the existing literature. The results support the hypothesis that intervention $A$ positively influences outcome $B$, reinforcing previous studies while also addressing potential limitations and areas for future research. Overall, the findings contribute valuable insights into the field, paving the way for further exploration of the underlying mechanisms at play.
Discussion
In this section, the authors present the SecuFL-IoT framework, a novel approach to secure federated learning (FL) tailored for Industrial Internet of Things (IIoT) networks. The optimization problem is formulated to minimize the global model’s loss while ensuring secure aggregation through homomorphic encryption and maintaining communication costs within specified limits. To enhance adversarial resilience, a penalty for adversarial perturbations is incorporated, and a weight adjustment mechanism prioritizes updates from high-confidence nodes. The framework uniquely integrates differential privacy and homomorphic encryption, alongside adaptive anomaly detection using temporal convolutional networks (TCN) and reinforcement learning for dynamic threshold adjustments.
The contributions of this research include the development of a comprehensive framework that not only addresses privacy and security concerns but also optimizes resource efficiency in communication, making it suitable for deployment in resource-constrained IIoT environments. Extensive experiments using the X-IIoTID dataset will validate the framework’s performance in terms of security, efficiency, and robustness against adversarial attacks. The authors emphasize that unlike existing FL-based anomaly detection models, SecuFL-IoT combines multiple advanced techniques to enhance both security and practical applicability, aligning with cybersecurity standards for industrial applications.