نمو الأجهزة الذكية (IoT) وتزايدها بسرعة وتعقيداتها تجعل اكتشاف الاختراق في الشبكة تحديًا رئيسيًا، خاصة في بيئة الحوسبة اللامحرومة التي تركز أساسًا على خصوصية البيانات. تقنيات الكشف عن الاختراق القائمة على التعلم الآلي يمكن أن تعزز أمان شبكات الإنترنت من الأشياء، ولكن غالبًا ما تتطلب بيانات الشبكة المركزية، مما يشكل مخاطر كبيرة في مجال خصوصية البيانات والأمان. في السنوات الأخيرة، وعلى الرغم من ظهور أساليب الكشف عن الاختراق القائمة على التعلم الاتحادي للتعامل مع مشكلة الخصوصية، إلا أن هذه الطرق لم تستفد بشكل كامل من مزايا شبكات الجرائم السحرية (GNN) في كشف الاختراق. لحل هذه المشكلة، يقترح إطار شبكات التكوين الفدرالي الزمنية والمكانية (FedSTGCN)، الذي يجمع بين شبكات الجرائم السحرية وقدرات التعلم الاتحادي. يدعم هذا الإطار تدريب نماذج مشتركة بين أجهزة الإنترنت الموزعة بشكل تعاوني دون الحاجة لمشاركة البيانات الأصلية، مما يعزز دقة اكتشاف الاختراق في الشبكة بينما يحمي خصوصية البيانات. تم إجراء تجارب كبيرة على مجموعتي بيانات كشف الاختراق في الإنترنت من الأشياء لتقييم فعالية الطريقة المقترحة. تشير نتائج التجارب إلى أن FedSTGCN تفوقت على الطرق الأخرى في مهمة التصنيف الثنائي والتصنيف المتعدد، حيث بلغت نسبة الدقة في مهمة التصنيف الثنائي أكثر من 97٪، وتجاوزت نقاط F1 المرجحة في مهمة التصنيف المتعدد 92٪.

الإنترنت من الأشياء؛ اكتشاف الاختراق في الشبكة؛ شبكات الجرائم السحرية الزمنية والمكانية؛ التعلم الاتحادي؛ خصوصية البيانات