A secure federated learning framework with blockchain-based authentication for anomaly detection in cooperative smart farming
Ramesh Pandharinath Daund · Mohammad Junedul Haque · Prof. Umesh B. Pawar
提出融合联邦迁移学习与区块链认证的异常检测框架，保障协作智慧农业数据隐私与安全。
联邦迁移学习、影子注意力机制、Zeiler-Fergus网络、区块链认证、随机k
在四个IoT数据集上分类准确率均超99.9%，且通信开销更低，优于现有方法。
可探索轻量级区块链共识与联邦学习在资源受限农业边缘设备上的能效与实时性优化。
提出联邦学习与区块链认证结合的农业异常检测框架，在四个数据集上验证高精度，方法新颖且具产业应用潜力，值得入选每日精选。
农业仍然是全球经济的重要支柱，保障着粮食安全和生计。然而，不断变化的气候条件以及日益依赖基于物联网（IoT）的精准农业，带来了新的挑战，主要是网络安全问题。合作智慧农业（Cooperative Smart Farming, CSF）方案促进了小农户之间的资源共享，从而推动了前沿技术的采用。尽管精准农业的民主化使其更加普及，但也使其更容易受到网络威胁。为解决上述问题，所提出的方法引入了一种安全的联邦学习框架，并结合基于区块链的身份验证，用于CSF中的异常检测。所提出的方法采用基于联邦迁移学习的阴影注意力机制，结合Zeiler和Fergus网络，以提升异常检测技术的性能。这使得农场能够在本地检测威胁，同时保护数据隐私，因为仅传输加密的模型更新。构建了一种基于认证证明共识协议的区块链支持的去中心化身份验证方案，以提供信任和防篡改能力。此外，具有变化秩调整的随机k稀疏化技术对通信效率产生了积极影响，在保持相同精度的同时减少了通信开销。所提出的方法在四个数据集CSE-CIS-IDS2018、MQTTset、ToN-IoT和Edge IoT上执行，分别达到了99.99%、99.93%、99.94%和99.91%的分类准确率，且性能优于当前技术。该综合框架为CSF中的异常检测提供了一种可扩展且可信的方法，实现了具有韧性、隐私保护和智能化的智慧农业生态系统。