دانلود ترجمه مقاله یادگیری توزیع شده مبتنی بر بلاکچین برای افزایش امنیت شبکه هوشمند

1. مقدمه 2. کارهای مرتبط 3. معماری SDL و پارادیم های یادگیری توزیع شده 4. خصوصیات فرآیند یادگیری و فرمول بندی مساله 5. راهکار بهینه پیکربندی بلاکچین، داده و گره 6. ارزیابی عملکرد 7. نتیجه گیری

چکیده – این مطالعه، یک چارچوب یادگیری امن، انعطاف‌پذیر و غیرمتمرکز مبتنی بر فناوری بلاکچین را برای ارتقاء امنیت و کارایی شبکه هوشمند معرفی می‌کند. امنیت از طریق دفتر کل بلاکچین تضمین می‌شود که یکپارچگی داده‌ها، حریم خصوصی و تاب‌آوری را تضمین می‌کند. انعطاف‌پذیری به توانایی چارچوب در سازگاری با شرایط متغیر، پشتیبانی از چندین الگوی یادگیری اشاره دارد. غیرمتمرکزسازی با توزیع کنترل بین گره‌ها، تحمل خطا را افزایش می‌دهد. چارچوب ما در مقیاس‌پذیری، امنیت تبادل داده و زمان پاسخ سریع برتری دارد و هدف آن ایجاد یک شبکه هوشمند مبتنی بر بلاکچین هوشمند است که از یادگیری متمرکز (CL)، یادگیری فدرال (FL) و یادگیری فدرال فعال (AFL) پشتیبانی می‌کند. ما یک معماری مبتنی بر بلاکچین نوآورانه را ارائه می‌دهیم که برای بهینه سازی اشتراک اطلاعات و امنیت در داخل بلاکچین سفارشی شده است. راهکار ما با: (i) انتخاب موجودیت‌های قابل اعتماد برای مشارکت بر اساس مدل‌های آموزش داده‌های با کیفیت بالا؛ (ii) به دست آوردن زیرمجموعه قابل اعتمادی از داده‌ها برای CL و AFL، متعادل کردن عملکرد یادگیری، تأخیر و هزینه؛ (iii) تنظیم پیکربندی بلاکچین برای همسو شدن با الزامات خاص الگوی یادگیری، به نیازهای مختلف الگوهای یادگیری پاسخ می‌دهد. نتایج حاصل از مجموعه داده‌های دنیای واقعی عملکرد برتر را در مقایسه با راهکارهای موجود نشان می‌دهد. چارچوب ما به عملکرد یادگیری بالا دست می‌یابد در حالی که تأخیر و هزینه‌های بلاکچین را به حداقل می‌رساند.

This study introduces a secure, adaptable, and decentralized learning framework empowered by blockchain technology to enhance smart grid security and efficiency. Security is achieved through blockchain’s ledger, ensuring data integrity, privacy, and resilience. Adaptability refers to the framework’s ability to adjust to changing conditions, supporting multiple learning paradigms. Decentralization enhances fault tolerance by distributing control across nodes. Our framework excels in scalability, data-exchange security, and rapid response times, aiming to establish an intelligent blockchain-based smart grid supporting centralized learning (CL), federated learning (FL), and active federated learning (AFL). We present an innovative blockchain-based architecture customized to optimize information sharing and security within the blockchain. Our solution addresses various learning paradigm requirements by: (i) Selecting reliable entities for participation based on high-quality training data models; (ii) Acquiring a reliable subset of data for CL and AFL, balancing learning performance, latency, and cost; (iii) Adjusting blockchain configuration to align with specific learning paradigm requirements. Results from real-world datasets demonstrate superior performance compared to existing solutions. Our framework achieves high learning performance while minimizing latency and blockchain costs.