Ricerca
Consenso adattivo basato sulla fiducia per l’IoT su blockchain: confronto tra RL, DRL e MARL contro attacchi ingenui, collusivi, adattivi, bizantini e dormienti
Proteggere le reti IoT basate su blockchain da attacchi sofisticati resta una sfida cruciale. Questo studio presenta un sistema di consenso delegato basato sulla fiducia che integra la crittografia…

- arXiv
- 2512.22860
- Pubblicato
- 2025-12-28
- Autori
- Soham Padia, Dhananjay Vaidya, Ramchandra Mangrulkar
Abstract degli autori
Proteggere le reti IoT basate su blockchain da attacchi sofisticati resta una sfida cruciale. Questo studio presenta un sistema di consenso delegato basato sulla fiducia che integra la crittografia completamente omomorfica (FHE) con il controllo degli accessi basato sugli attributi (ABAC), per valutare le politiche preservando la privacy, e vi affianca meccanismi di difesa basati sull’apprendimento. Confrontiamo sistematicamente tre approcci di apprendimento per rinforzo — Q-learning tabellare (RL), apprendimento per rinforzo profondo con Dueling Double DQN (DRL) e apprendimento per rinforzo multiagente (MARL) — contro cinque distinte categorie di attacchi: attacco malevolo ingenuo (NMA), attacco collusivo basato su voci (CRA), attacco avversariale adattivo (AAA), iniezione di guasti bizantini (BFI) e avvelenamento ritardato nel tempo (TDP). I risultati sperimentali su una rete IoT simulata di 16 nodi mostrano differenze significative nelle prestazioni: MARL ottiene una capacità di rilevamento superiore contro gli attacchi collusivi (F1=0,85, contro 0,68 per DRL e 0,50 per RL), mentre DRL e MARL raggiungono entrambi un rilevamento perfetto (F1=1,00) contro gli attacchi adattivi, per i quali RL fallisce (F1=0,50). Tutti gli agenti si difendono con successo dagli attacchi bizantini (F1=1,00). L’aspetto più critico è che l’attacco di avvelenamento ritardato nel tempo si rivela devastante per tutti gli agenti: dopo l’attivazione degli attaccanti dormienti, i valori F1 scendono a 0,11-0,16, a dimostrazione della grave minaccia posta da avversari che costruiscono un rapporto di fiducia. I nostri risultati indicano che l’apprendimento multiagente coordinato offre vantaggi misurabili nella difesa contro sofisticati attacchi di manipolazione della fiducia negli ambienti IoT basati su blockchain.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv