TwinSnake: A ZTN-Orchestrated Architecture for Secure AIoT Model Training with Digital Twins and Bio- Inspired Snake Learning in Smart Cities
Notice bibliographique
Résumé
Artificial Intelligence of Things (AIoT) systems are increasingly deployed in smart cities to enable automation, resource optimization, and real-time decision-making. How-ever, large-scale deployments face significant challenges, in-cluding device-level resource limitations, communication over-head, synchronization inefficiencies, and security threats such as data and model poisoning. To address these issues, a digi-tal twin-assisted collaborative learning framework is proposed. Resource-constrained devices are virtualized at home edge servers to offload computationally intensive training, while Multi- access Edge Computing (MEC) nodes equipped with Zero-Touch Networking (ZTN) autonomously orchestrate training policies. Snake learning is adopted to reduce synchronization delays and communication costs compared with federated and split learning, and Harris Hawks Optimization is applied to select participants based on trust, resources, and latency. Robustness against ad-versarial updates is ensured through a trust-weighted Adaptive Multi-Krum aggregation mechanism, while a permissioned blockchain provides tamper-proof auditability and accountability. Experimental results on a smart home intrusion detection dataset demonstrate a 50-65% reduction in communication, 30-45% reduction in computation and energy consumption, and Fl- scores above 95 % even under 40 % adversarial participation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».