Jun, 2024

强大的零信任体系结构：联合基于区块链的联邦学习和基于异常检测的框架

PDF
TL;DR通过区块链分布式学习和异常检测技术，提出了一个适用于物联网网络的强韧的零信任体系结构，可用于高效的远程工作和协作。该体系结构整合了异常检测和信任计算，保证了去中心化环境中的设备协同工作的安全性和可靠性。
发现论文，激发创造
  • 面向 5G/6G 网络的智能零信任架构：原则、挑战及机器学习在 O-RAN 环境下的作用

    本文讨论了在 5G/6G 通信网络中集成零信任 (ZT) 原则的关键性需求，提出了 i-ZTA 的概念作为 5G/6G 网络中的安全框架，并通过机器学习的方式，在实时监控网络状态、评估个别访问请求风险和决定访问授权等方面为未来网络设计提供了新的研究方向。

    May, 2021

  • 通过零信任架构增强无人机安全：先进的深度学习和可解释的人工智能分析

    该研究强调了在无人机领域中实施零信任架构（ZTA）以增强安全性的必要性，通过使用深度学习框架中的射频（RF）信号进行无人机的精确识别，结合可解释的人工智能工具（如 SHAP 和 LIME），确保无人机的分类可验证和可理解，从而提高了安全性。

    Mar, 2024

  • 学习驱动的分布式计算连续系统中的零信任

    通过将零信任和学习技术相结合，可以解决分布式计算连续系统中的各种操作和安全挑战。通过引入轻量级的学习策略和将零信任组件分布在计算连续系统中，可以提高零信任体系结构的服务质量，预测威胁或不可信请求，加强资源访问控制，并降低网络和计算开销。

    Nov, 2023

  • Zero-X: 一种针对 IoV 的基于区块链的开放式联邦学习框架，用于零日攻击检测

    本文提出了 Zero-X，一种通过将深度神经网络与开放环境识别相结合的方法，有效检测 IoV 领域中的 0-day 与 N-day 攻击，并使用区块链技术实现可信和分散式的联邦学习，旨在维护隐私和提高检测率。与相关工作的比较表明 Zero-X 框架优于现有解决方案。

    Jul, 2024

  • 区块链增强的机器遗忘的联邦学习：一种可信赖的方法

    整合区块链技术和联邦学习以应对隐私合规和用户数据删除请求的需求，该研究论文探讨了传统遗忘方法的不足之处，并介绍了一种将区块链与联邦学习融合的框架，以确保遗忘请求和行动的不可变记录，并提升数据安全性和隐私保护，以及优化数据管理以保证物联网环境中的系统响应能力。

    May, 2024

  • FedBlockHealth：联邦学习与区块链的协同应用，增强 IoT 医疗保健数据隐私与安全

    本文提出一种新型的混合方法，将联邦学习和区块链技术相结合，为物联网医疗应用提供安全的隐私保护解决方案，保护数据隐私，保证计算效率，同时保持数据完整性和访问控制。

    Apr, 2023

  • 基于区块链的互联物联网可信执行环境下的安全聚合联邦学习

    本文提出了一种基于区块链、Intel SGX 可信执行环境和联邦学习的框架，以安全地聚合工业物联网中的本地模型。框架中的区块链网络用于安全地聚合全局模型，并将其添加到分布式账本中以实现防篡改存储。经过多个不同的卷积神经网络模型和数据集的实验验证，该框架效果显著。

    Apr, 2023

  • 可信机器学习和自动化的统一分析框架与区块链实现

    本文提出使用区块链技术来构建可信赖机器学习系统，并使用智能合约实现自动化的机器学习过程，从而解决现有数据库不可信、难以自动化的问题。本文的三个贡献是建立了机器学习技术和区块链技术之间的联系，提出了使用区块链技术的可信机器学习的统一分析框架，并使用关联规则挖掘为例来展示如何应用于社会问题的分析。

    Mar, 2019

  • 利用区块链进行中心数据联邦学习以保障完整性

    提出一种通过区块链和智能合约实现的数据中心联邦学习架构，其中包含一个虚拟的公共市场，提供高质量的数据以供训练，通过激励机制提高数据质量和完整性，该架构有助于提高训练数据集的增长速度和模型准确性。

    Jun, 2022

  • 面向物联网的协作机器学习的区块链解决方案

    本文提出了一种将增量学习矢量量化算法（XuILVQ）与以太坊区块链技术结合，以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能，展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。

    Nov, 2023