عنوان مقاله: TP2SF: A Trustworthy Privacy-Preserving Secured Framework for sustainable smart cities by leveraging blockchain and machine learning
در این مقاله، یک چارچوب حفظ حریم خصوصی ایمن قابل اعتماد (TP2SF) برای شهرهای هوشمند (Smart cities) ارائه شده است. این چارچوب بر بستر فناوری زنجیره بلوکی (blockchain technology) طراحی شده و از سه بخش مختلف تشکیل شده است که عبارتند از یک واحد اعتماد (trustworthiness module)، یک واحد حریم خصوصی دو سطحی (two-level privacy module) و یک واحد تشخیص نفوذ (intrusion detection module). در ادامه به توضیح پیرامون هر یک از این سه واحد پرداخته می شود. اگر چه فناوری زنجیره بلوکی (بلاکچین) برای تامین امنیت یک شهر هوشمند موثر عمل می کند، اما روش های یادگیری ماشین (machine learning) تعبیه شده در معماری TP2SF، به حفاظت هر چه بیشتر از حریم خصوصی داده ها در این بستر کمک می کند.
الف) واحد اعتماد (trustworthiness module):
در یک شهر هوشمند بسیاری از داده ها از طریق حسگرهای اینترنت اشیاء گردآوری می شوند. فناوری زنجیره بلوکی از طریق تمرکززدایی باعث می شود تا داده های حسگرها تنها در یک مکان ذخیره نشوند، لذا در صورت بروز خرابی در سیستم احتمال مختل شدن شهر هوشمند کاهش می باید. به عبارتی بهتر کل سیستم در برابر تک نقطه خرابی (single point of failure) مقاوم عمل می کند. در نتیجه فناوری زنجیره بلوکی منجربه افزایش سطح قابلیت اطمینان (reliability) یک شهر هوشمند خواهد شد. با این حال سوالی که پیش می آید این است که چگونه می توانیم اطمینان حاصل کنیم که داده ها واقعا از حسگرهای مورد اعتماد وارد زنجیره بلوکی می شوند؟ لذا داده های ثبت شده در شبکه زنجیره بلوکی، باید صحت (authenticity) داشته باشند و مشاهدات واقعی (true observations) دستگاه های حسگر را نشان دهد. در این جا واحد اعتماد تعبیه شده در مدل TP2SF برای هر حسگرِ به ثبت رسیده اینترنت اشیا (Internet of Things) یا به اختصار IoT، یک امتیاز شهرت (reputation score) محاسبه می کند. هر چه امتیاز شهرت یک گره (حسگر) بیشتر باشد، داده های ارسال شده از آن گره نیز قابل اعتمادتر خواهد بود. در معماری TP2SF حسگرها به خوشه های (clusters) مختلفی تقسیم بندی می شوند و هر خوشه توسط یک گره در لایه مِه (fog) تحت عنوان گره مهی (fog node) مدیریت می شود. به عبارتی بهتر، مدیریت هر دسته حسگر، به یک گره مه ساکن در محدوده جغرافیایی آن حسگرها، اختصاص داده می شود. دفتر کل بلاکچین (blockchain ledger) ، توسط گره های مه ذخیره می شوند. با این حال، بلاکچین برای ذخیره حجم عظیم داده ها پرهزینه است. از آن جایی که در یک شبکه حسگر اینترنت اشیاء داده های زیادی تولید می شود، عامل هزینه برای شهرهای هوشمند به عنوان یک مشکل وجود خواهد داشت. از این رو، در معماری TP2SF علاوه بر ذخیره سازی درون-زنجیره ای (on-chain storage)، از ذخیره سازی برون-زنجیره ای (off-chain storage) نیز استفاده می شود. لازم به ذکر است که در این مقاله، الگوریتم مورد استفاده جهت محاسبه امتیاز شهرت و تخصیص داده ها بصورت برون-زنجیره ای چندان واضح بیان نشده است.
ب) واحد حریم خصوصی دو سطحی (two-level privacy module)
- سطح اول: حفظ حریم خصوصی مبتنی بر بلاکچین (Blockchain-based Privacy-preservation)
پس از محاسبه امتیازات مرتبط با شهرت حسگرها که در مرحله قبل هم عنوان شد، بخشی از این داده ها بر روی شبکه زنجیره بلوکی به ثبت می رسند. این فرایند از طریق یک الگوریتم اجماع (consensus algorithm) تحت عنوان اثبات کار پیشرفته (enhanced Proof of Work) یا به اختصار ePoW صورت می گیرد. در واقع ePoW نسخه بهبودیافته الگوریتم اثبات کار (Proof of Work) یا همان PoW است که پردازش سبک تری دارد. شاخص بلوک (block index)، مهر زمانی (timestamp)، هش بلوک قبلی (previous hash)، هش تراکنش (transaction hash)، امتیاز تراکنش (transaction score)، شهرت گره (reputation)، و هش قابل آدرس دهی (addressable hash) از جمله مواردی هستند که در زنجیره بلوکی و البته پس از فرایند اجماع ePoW، به ثبت می رسند. - سطح دوم: حفظ حریم خصوصی مبتنی بر تحلیل مولفه اصلی (Principal Component Analysis (PCA) based Privacy-preservation)
همانطور که از توضیحات سطح اول مشخص است، تنها مقدار هش تراکنش و امتیاز تراکنش در زنجیره بلوکی ذخیره می شود و اثری از اطلاعات تراکنش در زنجیره بلوکی نیست. لذا، این نگرانی وجود دارد که چگونه اطلاعات تراکنش ها محافظت می شود. برای این منظور در سطح دوم یک فرایند برای حفظ حریم خصوصی در سطح داده های خام صورت می گیرد. این فرایند بر اساس روش تحلیل مولفه اصلی (Principal Component Analysis) یا به اختصار PCA کار می کند. با اتکا به روش PCA، شکل و قالب داده تغییر پیدا می کند. این مساله باعث جلوگیری از حملات استنتاجی (inference attacks) می شود. حمله استنتاجی یک تکنیک داده کاوی (data mining) است که در آن مهاجم داده ها را تجزیه و تحلیل می کند تا به طور نامشروع در مورد یک موضوع یا پایگاه داده بدون دسترسی مستقیم به آن اطلاعات کسب کند. با تبدیل دادههای اصلی به فضایی با ابعاد پایینتر، PCA میتواند روابط بین نقاط داده را مخفی کند و استنتاج اطلاعات حساس را برای مهاجمان دشوارتر کند.
ج) واحد تشخیص نفوذ (Intrusion detection module)
داده های تبدیل شده از واحد حفظ حریم خصوصی، توسط یک سیستم تقویت درخت گرادیان بهینه (optimized gradient tree boosting system) یا به اختصار (XGBoost) استفاده می شود. الگوریتم XGBoost برای دستهبندی دادهها به انواع حملات معمولی و مختلف استفاده میشود و در صورت بروز ناهنجاری یک هشدار به واحد مدیریت ارسال می شود.
نقدی بر مقاله: اگر چه تعداد استناد زیادی به مقاله مورد بررسی صورت گرفته است، با این حال نقاط گنگ زیادی در این مقاله به چشم می خورد. برای مثال، سودوکد (Pseudocode) های این مقاله چندان واضح نیستند و علائم و متغیرهای مورد استفاده به اندازه کافی تشریح نشده اند. این مساله مانع از فهم دقیق روش بکار رفته می شود. با این حال، با توجه به ایده زیبا، این مقاله مورد نظر اینتلایزر قرار گرفت و ما در اینتلایزر سعی کردیم تا حد امکان توضیحات شفافی پیرامون این مقاله ارائه دهیم.
