ניהול אמון מונע-בלוקצ’יין ומחשוב בינה מלאכותית לאופטימיזציה של רשתות חיישנים

ערים חכמות דורשות חיבורים בטוחים יותר

משעונים חכמים ורמזורי תנועה ועד מכונות במפעלים — מיליארדי מכשירים זעירים מדברים זה עם זה כעת. רשת החיישנים הזאת, המוכרת כ"האינטרנט של הדברים", מבטיחה חיי עיר חלקים יותר, שירותי בריאות טובים יותר ותעשייה יעילה יותר. אבל ככל שמצטרפים יותר מכשירים, שמירה על שיחותיהם מהירה, אמינה ובטוחה מפני עיניים סקרניות הופכת לקשה יותר. המאמר בוחן שיטה חדשה לניהול השיחות הדיגיטליות האלה כדי שדאטה תנוע במהירות, תמנע קריסות ותישאר אמינה — אפילו כאשר חלק מהמכשירים מתנהגים בצורה בעייתית.

מכשירים יומיומיים, שבריריות נסתרת

מערכות חכמות מודרניות מתבססות על כמות עצומה של חיישנים קטנים המופעלים על סוללות ופזורים בבתים, בכבישים, במפעלים ובבתי חולים. מכשירים אלה אוספים מידע כל הזמן ושולחים אותו אל מחשבים מקומיים בקצה הרשת, שממנו מועברים נתונים חשובים אל שרתי הענן הרחוקים. כשהכול פועל כשורה, ההגדרה הזו יכולה להגיב בזמן אמת — להסיט תנועה, להתאים צריכת כוח או להתריע לרופאים. עם זאת, אותן חזקות יוצרות גם נקודות תורפה. סוללות מוגבלות, ערוצי רדיו צפופים ומכשירים ביניים לא מהימנים עלולים להאט תעבורה, לאבד הודעות ולפתוח פתח להאזנה או לזיוף נתונים. פתרונות קיימים משפרים חלקים מהבעיה — כגון בחירת מסלולים יעילים או גילוי התקפות — אך לעיתים מוסיפים עלות עיבוד כבדה או מתקשים כאשר הרשתות מתרחבות.

מנוע כפול לזרימת נתונים מהירה והוגנת יותר

כדי להתמודד עם הבעיות האלה, החוקרים מציעים מודל קל־משקל שמשלב בינה מלאכותית עם טכנולוגיית ספר חשבונות מבוזרת שמזוהה לעתים קרובות עם מטבעות דיגיטליים. בשלב הראשון, מנוע ה-AI צופה בהתנהגות כל מכשיר: כמה אנרגיה הוא צורך, כמה חבילות הוא מאבד וכמה פעמים הודעותיו מצליחות. באמצעות שיטת למידת מכונה הוא חוזה כמה כל מכשיר אמין ואילו מסלולים צפויים להעביר נתונים ביעילות. אסטרטגיית איתור מסלולים חכמה משתמשת בתחזיות אלו כדי לבחור נתיבי נתונים המאוזנים מבחינת העומס ברשת, הממנעים קישורים עמוסים או לא אמינים וחוסכים כוח סוללה. זה מאפשר לרשת להסתגל לתנאים משתנים מבלי לדרוש מאמץ חישובי גדול מהמכשירים הזעירים.

עיגון האמון בספר חשבונות דיגיטלי

השלב השני משתמש בבלוקצ’יין כדי להפוך את החלטות האמון לעמידות לשינוי זדוני. לאחר שמנוע ה-AI מעריך כמה כל מכשיר אמין, ציוני האמון הללו נשמרים כרשומות בספר חשבונות משותף הפזור על פני מספר צמתים. מאחר שכניסות הספר מקושרות זו לזו ומוסכמות באופן קולקטיבי, קשה מאוד למכשיר זדוני לשכתב את ההיסטוריה שלו או לזייף מוניטין משופר. שיטת ניתוב בהשראת קבוצות (swarm) מעדיפה אחר כך מסלולים המורכבים ממכשירים עם אמון רשום חזק יותר, ומחזקת התנהגות טובה. ככל שהמכשירים פועלים לאורך הזמן, הרשומות שלהם מתעדכנות בספר, אך הכניסות הקודמות נשארות גלויות, ומספקות מסלול התנהגות הניתן לאימות שאחרים יכולים לבדוק לפני העברת נתונים.

בדיקת המודל במבחן

כדי לראות האם הגישה שלהם יעילה בשטח, החוקרים בנו סימולציה בסגנון עיר חכמה עם עד 500 חיישנים, מספר מצומצם של צמתות קצה ותערובת של מכשירים כנים וזדוניים. הם השוו את המודל שלהם לשתי סכמות ניתוב עדכניות שנועדו להיות יעילות ובטוחות. במגוון תנאים, הגישה החדשה הפחיתה את צריכת האנרגיה בכ־25% עד 33%, הצטמצם בצורה משמעותית אובדן הנתונים וקוצר זמן ההקמה של חיבורים עובדים. גם כאשר עד חצי מהמכשירים הוגדרו להתנהג רע על ידי השמטת חבילות או הזרמת תנועה, מסגרת העבודה המשולבת של AI ובלוקצ’יין שמרה על רמות גבוהות יותר של "אמון התנהגותי" במסלולים הפעילים ושמרה על זרימת הנתונים בצורה חלקה יותר. שיפורים אלה נבעו מהסטת תנועה מתמשכת מקישורים חשודים או עמוסים ופיזור העומס באופן מאוזן יותר.

מה זה אומר למערכות חכמות עתידיות

במלים פשוטות, המחקר מראה שלתת לרשתות דרך ללמוד מי ראוי לאמון — ואז לרשום את האמון הזה ביומן משותף שקשה לזייף — יכול להפוך מערכות מחוברות יום־יומיות לעמידות ויעילות יותר. במקום להתייחס לכל חיישן כאל כן באופן שווה או לבדוק אישורים שוב ושוב, הרשת בונה בהדרגה זיכרון של התנהגויות טובות ורעות ומשתמשת בו להכוונת החלטות עתידיות. עבור מתכנני ערים, צוותי IT של בתי חולים או מפעילים תעשייתיים, גישה כזו עשויה להוביל לפחות כישלונות בתקשורת, חיי סוללה ארוכים יותר והגנה חזקה יותר מפני התקפות שקטות המוסתרות בתוך המוני המכשירים. המחברים מציעים שעבוד עתידי יכול לכלול שיטות למידה עמוקה ומבחנים במערכות אמיתיות, אך המסר המרכזי ברור: שילוב תחזיות חכמות עם רישום מאובטח הוא מסלול מבטיח לעבר רשתות חיישנים בטוחות ונאמנות יותר.

ציטוט: Alharbi, M., Haseeb, K., Jhanjhi, N.Z. et al. Blockchain-driven trust management and AI computing for sensor networks optimization. Sci Rep 16, 13817 (2026). https://doi.org/10.1038/s41598-026-41302-y

מילות מפתח: האינטרנט של הדברים, רשתות חיישנים, אבטחת בלוקצ’יין, ניהול אמון, מחשוב קצה