Assurer la robustesse contre les attaques contradictoires est impératif pour les systèmes d'apprentissage automatique (ML) au sein des infrastructures critiques de l'Internet industriel des objets (IIoT). Cet article aborde les vulnérabilités des systèmes IIoT, en particulier dans les environnements distribués comme l'apprentissage fédéré (FL) en présentant un cadre résilient - l'apprentissage fédéré sécurisé (SFL) spécialement conçu pour atténuer l'empoisonnement des données et des modèles, ainsi que les attaques Sybil au sein de ces réseaux. Les attaques Sybil, impliquant la création de multiples fausses identités, et les attaques d'empoisonnement compromettent considérablement l'intégrité et la fiabilité des modèles ML dans les environnements FL. Notre cadre SFL tire parti d'un jumeau numérique (DT) comme point de contrôle d'agrégation critique pour contrer les attaques d'empoisonnement de données et de modèles dans les paramètres distribués de l'IIoT. Le DT sert de mécanisme de protection pendant la phase d'agrégation de la mise à jour du modèle, améliorant considérablement la résilience du système. Pour sécuriser davantage les infrastructures IIoT, SFL utilise des jetons non fongibles (NFT) basés sur la blockchain pour authentifier les identités des participants, empêchant efficacement les attaques Sybil en assurant la traçabilité et la responsabilité parmi les nœuds distribués. L'évaluation expérimentale dans les scénarios IIoT démontre que SFL améliore considérablement les capacités défensives, en maintenant l'intégrité et la robustesse de l'apprentissage par modèle. Les résultats comparatifs révèlent que le cadre SFL, lorsqu'il est appliqué aux environnements fédérés IIoT, atteint une précision louable de 97 %, surpassant les approches FL conventionnelles. SFL démontre également une réduction remarquable du taux de perte, n'enregistrant que 0,07 par rapport au taux de perte de 0,14 enregistré par les systèmes FL standard. Ces résultats soulignent l'efficacité et l'applicabilité du cadre SFL dans l'amélioration de la sécurité et de la traçabilité des données au sein de l'écosystème IIoT.

Garantizar la robustez contra los ataques adversarios es imperativo para los sistemas de Machine Learning (ML) dentro de las infraestructuras críticas del Internet Industrial de las Cosas (IIoT). Este documento aborda las vulnerabilidades en los sistemas IIoT, particularmente en entornos distribuidos como Federated Learning (FL), presentando un marco resistente: Secure Federated Learning (SFL) diseñado específicamente para mitigar el envenenamiento de datos y modelos, así como los ataques Sybil dentro de estas redes. Los ataques Sybil, que implican la creación de múltiples identidades falsas, y los ataques de envenenamiento comprometen significativamente la integridad y confiabilidad de los modelos de ML en entornos FL. Nuestro marco SFL aprovecha un Digital Twin (DT) como punto de control crítico de agregación para contrarrestar los datos y modelar los ataques de envenenamiento en la configuración distribuida de IIoT. El DT sirve como mecanismo de protección durante la fase de agregación de la actualización del modelo, mejorando sustancialmente la resiliencia del sistema. Para proteger aún más las infraestructuras de IIoT, SFL emplea tokens no fungibles (NFT) basados en blockchain para autenticar las identidades de los participantes, evitando de manera efectiva los ataques Sybil al garantizar la trazabilidad y la responsabilidad entre los nodos distribuidos. La evaluación experimental dentro de los escenarios de IIoT demuestra que SFL mejora sustancialmente las capacidades defensivas, manteniendo la integridad y la solidez del aprendizaje del modelo. Los resultados comparativos revelan que el marco SFL, cuando se aplica a entornos federados IIoT, logra una precisión encomiable del 97%, superando los enfoques FL convencionales. SFL también demuestra una notable reducción en la tasa de pérdida, registrando solo 0.07 en comparación con la tasa de pérdida de 0.14 experimentada por los sistemas FL estándar. Estos hallazgos destacan la eficiencia y la aplicabilidad del marco SFL para mejorar la seguridad y la trazabilidad de los datos dentro del ecosistema IIoT.

Ensuring robustness against adversarial attacks is imperative for Machine Learning (ML) systems within the critical infrastructures of the Industrial Internet of Things (IIoT). This paper addresses vulnerabilities in IIoT systems, particularly in distributed environments like Federated Learning (FL) by presenting a resilient framework - Secure Federated Learning (SFL) specifically designed to mitigate data and model poisoning, as well as Sybil attacks within these networks. Sybil attacks, involving the creation of multiple fake identities, and poisoning attacks significantly compromise the integrity and reliability of ML models in FL environments. Our SFL framework leverages a Digital Twin (DT) as a critical aggregation checkpoint to counteract data and model poisoning attacks in IIoT's distributed settings. The DT serves as a protective mechanism during the model update aggregation phase, substantially enhancing the system's resilience. To further secure IIoT infrastructures, SFL employs blockchain-based Non-Fungible Tokens (NFTs) to authenticate participant identities, effectively preventing Sybil attacks by ensuring traceability and accountability among distributed nodes. Experimental evaluation within IIoT scenarios demonstrates that SFL substantially enhances defensive capabilities, maintaining the integrity and robustness of model learning. Comparative results reveal that the SFL framework, when applied to IIoT federated environments, achieves a commendable 97% accuracy, outperforming conventional FL approaches. SFL also demonstrates a remarkable reduction in loss rate, recording just 0.07 compared to the 0.14 loss rate experienced by standard FL systems. These findings highlight the efficiency and applicability of the SFL framework in enhancing data security and traceability within the IIoT ecosystem.

يعد ضمان القوة ضد الهجمات العدائية أمرًا ضروريًا لأنظمة التعلم الآلي (ML) داخل البنى التحتية الحيوية لإنترنت الأشياء الصناعي (IIoT). تتناول هذه الورقة نقاط الضعف في أنظمة إنترنت الأشياء الصناعية، لا سيما في البيئات الموزعة مثل التعلم الفيدرالي (FL) من خلال تقديم إطار عمل مرن - التعلم الفيدرالي الآمن (SFL) المصمم خصيصًا للتخفيف من حدة البيانات ونمذجة التسمم، بالإضافة إلى هجمات سيبيل داخل هذه الشبكات. هجمات سيبيل، التي تنطوي على إنشاء هويات مزيفة متعددة، وهجمات التسمم تضر بشكل كبير بسلامة وموثوقية نماذج غسل الأموال في بيئات العمل الجبري. يستفيد إطار عمل SFL الخاص بنا من التوأم الرقمي (DT) كنقطة تفتيش حرجة للتجميع لمواجهة البيانات ونمذجة هجمات التسمم في الإعدادات الموزعة لـ IIoT. يعمل DT كآلية وقائية خلال مرحلة تجميع تحديث النموذج، مما يعزز بشكل كبير من مرونة النظام. لتعزيز تأمين البنى التحتية لإنترنت الأشياء، تستخدم SFL الرموز غير القابلة للاستبدال (NFTs) المستندة إلى blockchain لمصادقة هويات المشاركين، ومنع هجمات Sybil بشكل فعال من خلال ضمان التتبع والمساءلة بين العقد الموزعة. يوضح التقييم التجريبي ضمن سيناريوهات IIoT أن SFL يعزز بشكل كبير القدرات الدفاعية، ويحافظ على سلامة وقوة تعلم النموذج. تكشف النتائج المقارنة أن إطار SFL، عند تطبيقه على البيئات الموحدة لـ IIoT، يحقق دقة 97 ٪ جديرة بالثناء، ويتفوق على مناهج FL التقليدية. يظهر SFL أيضًا انخفاضًا ملحوظًا في معدل الخسارة، حيث سجل 0.07 فقط مقارنة بمعدل الخسارة 0.14 الذي تعاني منه أنظمة FL القياسية. تسلط هذه النتائج الضوء على كفاءة وقابلية تطبيق إطار SFL في تعزيز أمن البيانات وإمكانية التتبع داخل النظام البيئي IIoT.