Symbiotic Federated Learning for Giant AI Threat Detection in 6G-IoT Infrastructures
Notice bibliographique
Résumé
The increasing demand for intelligent, privacy-aware, and scalable solutions at the edge of the network is accelerating the convergence of Giant AI models and Internet of Things (IoT) infrastructures in 6G environments. In this article, we propose a symbiotic threat detection framework that unifies federated learning (FL), graph neural networks (GNNs), and HE to enable decentralized anomaly detection across distributed 6G-enabled IoT ecosystems. Our approach addresses key challenges in current cloud-centric architectures, including data privacy, communication efficiency, and lack of interpretability in AI-driven threat detection. The proposed framework, SymFL-GNN, supports collaborative learning among IoT devices while retaining data locally, leveraging the PHC to ensure gradient-level encryption. To enhance interpretability, a dynamic sensor graph is constructed using self-learned embeddings and attention mechanisms, allowing the model to pinpoint anomalous behaviors and their sources. We evaluate our framework on two real-world industrial datasets (SWaT and WADI) representing cyber-physical water systems, achieving 96.3% and 96.0% accuracy, respectively, with significant improvements over existing baselines in both precision and F1 score. Our results show that SymFL-GNN effectively balances local autonomy with global intelligence, supporting the vision of symbiotic AI at the edge. The framework demonstrates how 6G-enabled IoT networks can jointly contribute to and benefit from Giant AI models, laying the foundation for secure, intelligent, and privacy-preserving distributed systems in critical infrastructure and consumer environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».