Статья

Современные системы Интернета вещей (IoT) требуют адаптивных и безопасных подходов к управлению политиками идентификации и аутентификации. Актуальность исследования обусловлена необходимостью создания безопасных, масштабируемых и адаптивных экосистем IoT, способных удовлетворить растущие потребности современного общества в условиях постоянного увеличения масштабов и сложности сетей. В данной статье предложен новый подход, направленный на решение проблемы безопасного децентрализованного обучения моделей машинного обучения в крупномасштабных промышленных IoT-системах. Для сохранения конфиденциальности данных и обеспечения управления доступом применяется децентрализованное шифрование на основе атрибутов (DABE) [1], которое позволяет шифровать данные с учетом атрибутов устройств или пользователей. В процессе обучения используются модели машинного обучения для анализа данных IoT, такие как: модели обнаружения аномалий и предсказания поведения устройств, с применением федеративного обучения