МОДЕЛЬ ЕЛЕКТРОННОГО ГОЛОСУВАННЯ З ВИКОРИСТАННЯМ HYPERLEDGER ТА НЕЙРОАДАПТИВНОГО ПІДХОДУ У РИЗИК-МЕНЕДЖМЕНТУ В КІБЕРФІЗИЧНИХ СИСТЕМАХ

Дмитро Прокопович-Ткаченко; Валерій Бушков; Борис Хрушков; Ігор Козаченко; Юлія Хавікова

doi:10.28925/2663-4023.2025.28.784

Автор(и)

Дмитро Прокопович-Ткаченко Університет митної справи та фінансів https://orcid.org/0000-0002-6590-3898
Валерій Бушков Державний торговельно-економічний університет https://orcid.org/0009-0005-5097-2689
Борис Хрушков Університет митної справи та фінансів https://orcid.org/0009-0002-3978-5012
Ігор Козаченко Державна служба спеціального зв’язку та захисту інформації України https://orcid.org/0000-0002-0774-7284
Юлія Хавікова Державний торговельно-економічний університет https://orcid.org/0000-0003-1017-3602

DOI:

https://doi.org/10.28925/2663-4023.2025.28.784

Ключові слова:

блокчейн; Hyperledger; е-голосування; смартконтракти; кіберфізичні системи; нейромережі; емерджентність; управління ризиками; Proof-of-Learning; децентралізоване навчання.

Анотація

Адаптація блокчейн-моделі електронного голосування Hyperledger до емерджентно-адаптивних нейромереж та управління ризиками у кіберфізичних системах. У статті представлено концепцію поєднання децентралізованої моделі блокчейн-голосування (на прикладі Hyperledger) з емерджентно-адаптивними нейромережами для динамічного управління ризиками у кіберфізичних системах (КФС). Розглянуто особливості функціонування платформ розподіленого реєстру (permissioned-блокчейни), їхній механізм консенсусу та потенціал використання смарт-контрактів для автоматизації процесів колективного прийняття рішень. Показано, яким чином модель е-голосування може забезпечити прозоре й надійне узгодження оновлень або дій у мультиагентних нейронних мережах, а також підвищити безпеку та точність управління ризиками в КФС. Представлено математичні підходи до формалізації інтеграції нейромереж з блокчейн-рівнем, описано алгоритми консенсусу на основі Proof-of-Learning і голосування. Детально розглянуто механізми децентралізованого зберігання та валідації оновлень ваг моделей, включення до смарт-контрактів логіки оцінки ризиків, а також можливості застосування токенів для стимулювання коректних оновлень і запобігання отруєнню даних. Проведено аналіз методів, які дозволяють об’єднати емерджентні можливості колективного самонавчання нейромереж та переваги блокчейнтехнологій (незмінність даних, автоматизовані політики безпеки, аудит). На прикладі управління автономними роботизованими платформами у виробничих системах продемонстровано, як така синергетична система може підвищити стійкість до внутрішніх і зовнішніх загроз та зменшити час реакції у надзвичайних ситуаціях. Доведено, що розподілений реєстр виконує роль «імунної системи» під час еволюції нейромереж і запобігає легітимації небезпечних змін параметрів моделі. Окреслено перспективні напрями майбутніх досліджень, зокрема створення прототипів високонавантажених КФС з емерджентними II-модулями та формування формальних критерї̈в надійності таких гібридних рішень. Загалом, представлена адаптація моделі блокчейн-голосування для задач динамічного управління ризиками та розподіленого навчання є перспективною для побудови більш гнучких, прозорих та безпечних кіберфізичних систем.

Завантаження

Дані завантаження ще не доступні.

Посилання

Androulaki, E., Barger, A., & Bortnikov, V. et al. (2018). Hyperledger Fabric: A Distributed Operating System for Permissioned Blockchains. In Proceedings of the Thirteenth EuroSys Conference. ACM, 1–15. https://doi.org/10.1145/3190508.3190538

Cachin, C. (2016). Architecture of the Hyperledger Blockchain Fabric. Workshop on Distributed Cryptocurrencies and Consensus Ledgers, 1–4.

Christidis, K., & Devetsikiotis, M. (2016). Blockchains and Smart Contracts for the Internet of Things. IEEE Access, 4, 2292–2303. https://doi.org/10.1109/access.2016.2566339

Ferrag, M. A., & Shu, L., et al. (2020). Security and Privacy for Green IoT-Based Agriculture: Review, Blockchain Solutions, and Challenges. IEEE Access, 8, 32031–32053. https://doi.org/10.1109/access.2020.2973178

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Thrun, S., & Pratt, L. (1998). Learning to Learn. Springer. https://doi.org/10.1007/978-1-4612-1814-9

Stanley, K. O., Clune, J., & Lehman, J. et al. (2019). Designing Neural Networks through Neuroevolution. Nature Machine Intelligence, 1, 24–35. https://doi.org/10.1038/s42256-018-0006-z

Jaderberg, M., & Czarnecki, W. M., et al. (2019). Human-Level Performance in First-Person Multiplayer Games with Population-Based Deep Reinforcement Learning. Science, 364, 859–865. https://doi.org/10.1126/science.aau6249

Zheng, Z., & Xie, S., et al. An Overview of Blockchain Technology: Architecture, Consensus, and Future Trends. In 2017 IEEE International Congress on Big Data (BigData Congress), 557–564. https://doi.org/10.1109/bigdatacongress.2017.85

Sousa, J., Bessani, A., & Vukolić, M. (2018). A Byzantine Fault-Tolerant Ordering Service for the Hyperledger Fabric Blockchain Platform. In 2018 48th Annual IEEE/IFIP International Conference on Dependable Systems and Networks (DSN), 51–58. https://doi.org/10.1109/dsn.2018.00018

Baliga, A. (2017). Understanding Blockchain Consensus Models. Persistent.

Jiang, W., & Zhang, D. (2021). Proof-of-Learning Approach to Secure and Robust Collaborative Machine Learning in Blockchain. Information Sciences, 552, 75–91. https://doi.org/10.1016/j.ins.2020.12.059

Konečný, J., & McMahan, H. B., et al. (2016). Federated Learning: Strategies for Improving Communication Efficiency. arXiv preprint.

Moreno, C., & Dorigo, M. (2022). The Emergence of Collective Intelligence in Artificial Systems. Philosophical Transactions of the Royal Society B: Biological Sciences, 377. https://doi.org/10.1098/rstb.2020.0357

Floreano, D., & Keller, L. (2010). Evolution of Adaptive Behaviour in Robots by Means of Darwinian Selection. PLoS Biology, 8(1). e1000292. https://doi.org/10.1371/journal.pbio.1000292

Cárdenas, A. A., Amin, S., & Sastry, S. (2008). Research Challenges for the Security of Control Systems. HotSec’08: Proceedings of the 3rd USENIX Workshop on Hot Topics in Security.

Saxena, N., & Grijalva, S. (2019). Dynamic Security Risk Management in Distributed Energy Resources. IEEE Transactions on Smart Grid, 10(3), 3120–3129. https://doi.org/10.1109/tsg.2018.2819662

Humayed, A., & Lin, J., et al. (). Cyber-Physical Systems Security – A Survey. IEEE Internet of Things Journal, 4(6), 1802–1831. https://doi.org/10.1109/jiot.2017.2703172

Kim, T., & Feldman, V., et al. (2022). Blockchain-Based Proof-of-Learning Protocols for Neural Network Training. arXiv preprint.

Zhang, J., & Xiong, F., et al. (2020). A Blockchain-Based Federated Learning Framework for Edge Computing. IEEE Transactions on Industrial Informatics, 17(3), 2042–2051. https://doi.org/10.1109/tii.2020.3004635

Kaur, K., & Chana, I., et al. (2021). Blockchain-Based Trust Management in Federated Learning for Healthcare Systems: State of the Art and Open Issues. IEEE Access.

Shapoval, O., Kuznietsov, O., Poluianenko, M., Yakovenko, V., Prokopovych-Tkachenko, D., & Kavun, S. (2019). The Decentralized Voting Model Using the Hyperledger Platform. Proceedings of the 2019 IEEE International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo). https://doi.org/10.1109/ukrmico47782.2019.9165368