Date of Award

4-2026

Document Type

Dissertation

Degree Name

Doctor of Philosophy in Informatics and Computing

Department

Information Systems and Security

First Advisor

Prof. Zouheir Trabelsi

Abstract

Federated learning (FL) enables collaborative model training without centralizing raw data, but deploying FL at scale in real edge environments remains challenging because iterative training and aggregation must operate over heterogeneous, resource-constrained, and often mobile devices with time-varying connectivity. Conventional hierarchical federated learning (HFL) partially mitigates communication cost by introducing fog/edge aggregation, yet many designs retain cloud-based global aggregation and cloud-centric coordination. This places wide-area network latency on the critical path of every training round, creates a single point of failure, and limits responsiveness as model sizes and federation scale grow. Moreover, moving coordination and aggregation closer to the edge enlarges the attack surface, increasing the importance of strong integrity, authenticity, and long-term confidentiality guarantees, including resilience against future quantum-capable adversaries. This thesis develops an end-to-end framework that progressively transforms cloud-centric HFL into cloud-minimized and fully decentralized edge learning and then secures its coordination plane with post-quantum cryptography while keeping overhead practical through cryptographic agility.

First, the thesis establishes a systems foundation for scalable edge learning via a mobility- and resource-aware hierarchical fog framework. The framework dynamically promotes nearby devices with available compute and storage into fog roles under explicit constraints and organizes coordination through multi-level fog tiers and brokers. This improves utilization, reduces bottlenecks and stragglers, and stabilizes iterative learning workflows under mobility and intermittent links. Building on this substrate, the thesis proposes a fog-centric HFL architecture with dynamic global aggregation placement. Global aggregation is moved from the cloud to a fog node selected adaptively using multicriteria optimization over communication cost, workload, availability, reliability, and aggregated data-quality and contribution indicators. The cloud is retained only as a lightweight coordinator outside the aggregation critical path. This design reduces end-toend round latency and improves training efficiency by eliminating the mandatory cloud round trip while avoiding persistent overload at any single fog node. To remove centralized dependence entirely, the thesis then introduces a fully decentralized hierarchical FL architecture in which fog/edge nodes form an authenticated peer-to-peer overlay and elect a per-round global aggregator using gossip dissemination and consensusbased selection, with fault-aware re-election to sustain progress under failures and churn. This decentralization improves autonomy and resilience in environments with intermittent or unavailable cloud connectivity, while preserving quality-aware aggregation and communication-efficient synchronization.

The dissertation further develops post-quantum secure coordination mechanisms to protect update exchange and control-plane operations. It integrates post-quantum signatures for end-to-end authenticity, accountability, and non-repudiation, and postquantum key encapsulation mechanisms (KEMs) to establish secure channels whose steady-state traffic is protected by symmetric authenticated encryption. Optional ledger support provides tamper-evident logging and auditability with scalable partitioning and anchoring. Finally, to reduce the variable overhead of PQ key establishment, the thesis introduces an adaptive, learning-based PQ-KEM selector trained on benchmark measurements and evaluated under realistic fog/vehicular conditions with queueing effects. The selector recommends an efficient KEM satisfying a required security level and authenticates the recommendation to prevent manipulation during first contact.

Overall, the thesis demonstrates that aggregation placement, coordination strategy, and cryptographic configuration can be jointly designed to achieve low-latency, robust, and post-quantum-ready distributed learning at the edge and provides design guidelines and limitations to inform practical deployments.

Arabic Abstract


التعلم الاتحادي الهرمي اللامركزي بالكامل على الحافة مع اتصالات آمنة لما بعد الكم

يتيح التعلم الاتحادي (Federated Learning) تدريب النماذج بصورة تعاونية من دون الحاجة إلى تجميع البيانات الخام في موقع مركزي. ومع ذلك، لا يزال نشر التعلم الاتحادي على نطاق واسع في بيئات الحوسبة الطرفية وإنترنت الأشياء تحدياً كبيراً، نظراً لأن عمليات التدريب والتجميع المركزي تميل إلى العمل عبر أجهزة غير متجانسة، محدودة الموارد، وغالباً ما تكون متحركة، مع اتصال غير موثوق. ويسهم التعلم الاتحادي الهرمي (Hierarchical Federated Learning) جزئياً في تقليل مشكلة الاتصال من خلال استخدام طبقات تجميع في الحوسبة الضبابية والسحابية، ما يقلل الاتصال ويزيد من الحصانة. ولا يعتمد على المجمع العالمي ذو الصلاحية المفردة والتسلسل المتمركز حوله. ويؤدي ذلك إلى إدخال زمن تأخير بين النطاق الواسع وبين المسار لكل جولة تدريب، كما ينشئ نقطة فشل مركزية واحدة، ويحد من سرعة الاستجابة مع ازدياد أحجام النماذج واتساع نطاق متطلبات التعلم الاتحادي.

إضافة إلى ذلك، فإن عمليات التنسيق والتجميع إلى مواقع أقرب من الحافة تزيد من مساحة الهجوم، مما يعزز الحاجة إلى ضمانات قوية لسلامة البيانات، والأصالة، والسرية طويلة الأمد، بما في ذلك القدرة على الصمود أمام الخصوم المستقبليين القادرين على استخدام الحوسبة الكمية. وتؤطر هذه الأطروحة إطاراً متكاملاً يعمل بشكل يتجاوز طبقات التجميع الهرمي لتحديد أين ومتى وكيف تتجمع النماذج، ومن يستقبلها ويؤمنها. ويعتمد النموذج تجزئة مركزية بالكامل عند الحافة. وبعد ذلك، تعمل الأطروحة على تأمين التنسيق باستخدام التشفير لما بعد الحوسبة الكمية (PQC)، مع الحفاظ على تكلفة تشغيلية عملية من خلال المرونة في اختيار آليات التشفير.

في المرحلة الأولى، تضع الأطروحة أساساً نظامياً قابلاً للتوسع للتعلم عند الحافة من خلال إطار هرمي يعتمد على الحوسبة الضبابية ويراعي الحركة والموارد المتاحة. ويقوم هذا الإطار ديناميكياً بترقية الأجهزة القريبة التي تمتلك موارد حوسبة وتخزين متاحة لتؤدي أدوار عقد ضبابية، وذلك ضمن قيود محددة. كما ينظم التنسيق من خلال مستويات متعددة من العقد الضبابية والوسطاء. ويسهم هذا النهج في تحسين استغلال الموارد، وتقليل الاختناقات وتأثير الأجهزة البطيئة، وتعزيز استقرار عمليات التعلم التكرارية في البيئات التي تتسم بالحركة والانقطاعات المتكررة في الاتصال.

وبالاستناد إلى هذه البنية الأساسية، تشرح الأطروحة معمارية للتعلم الاتحادي الهرمي تتمحور حول الحوسبة الضبابية، وتتضمن آلية ديناميكية لتحديد موقع التجميع العالمي. وبدلاً من تنفيذ التجميع العالمي في السحابة، يتم نقله إلى عقدة ضبابية يتم اختيارها بصورة تكيفية باستخدام تحسين متعدد المعايير يأخذ في الاعتبار تكلفة الاتصال، وحجم عبء العمل، والتوافر، والموثوقية، إلى جانب مؤشرات مجمعة تتعلق بجودة البيانات وسلامة الأجهزة المشاركة.

ولا زالة الاعتماد المركزي بالكامل، تقدم الأطروحة بعد ذلك معمارية لا مركزية بالكامل للتعلم الاتحادي الهرمي، بحيث تشكل العقد الضبابية والطرفية شبكة نظير إلى نظير موثوقة، وتقوم في كل جولة بانتخاب عقدة مسؤولة عن التجميع العالمي باستخدام آليات نشر موزعة واختيار قائم على التوافق بين العقد. كما تتضمن المعمارية آلية لإعادة الانتخاب تراعي حالات الأعطال، بما يضمن استمرار عملية التعلم عند حدوث فشل أو تغير مستمر في عضوية الشبكة. ويسهم هذا النهج اللامركزي في تعزيز الاستقلالية والمرونة في البيئات التي يكون فيها الاتصال بالسحابة متقطعاً أو غير متاح، مع الحفاظ في الوقت نفسه على التجميع الذي يراعي جودة المساهمات وكفاءة الاتصال.

كما تطور الأطروحة آليات تنسيق آمنة لما بعد الحوسبة الكمية لحماية عمليات تبادل تحديثات النماذج وعمليات مستوى التحكم. ويتم دمج التوقيعات المقاومة للحوسبة الكمية لتوفير الأصالة من طرف إلى طرف والمصادقة وعدم التنصل. كذلك، يتم استخدام آليات تغليف المفاتيح لما بعد الحوسبة الكمية (KEMs) لإنشاء قنوات اتصال آمنة، بينما تتم حماية حركة البيانات في مرحلة التشغيل المستقرة باستخدام التشفير المتماثل الموثوق. ويمكن، بصورة اختيارية، دعم النظام بسجل موزع يوفر سجلات يمكن اكتشاف أي تلاعب بها ويعزز قابلية التدقيق، مع استخدام أساليب قابلة للتوسع تعتمد على التقسيم والتثبيت المرجعي.

وأخيراً، ولتقليل الكلفة المتغيرة المرتبطة بإنشاء المفاتيح المقاومة للحوسبة الكمية، تقدم الأطروحة آلية تكيفية قائمة على التعلم لاختيار (PQ-KEM) الأنسب. ويتم تدريب آلية الاختيار باستخدام قياسات معيارية وتقييمها في ظروف واقعية لبيئات الحوسبة الضبابية والمركبات، مع أخذ تأثيرات الانتقال في الطوابير في الاعتبار. وتقوم آلية الاختيار بالتوصية بآلية تغليف مفاتيح فعالة تلبي مستوى الأمان المطلوب، كما يتم توثيق هذه التوصية لمنع التلاعب بها أثناء الاتصال الأولي.

وبوجه عام، توضح هذه الأطروحة أن موقع التجميع، واستراتيجية التنسيق، وإعدادات التشفير يمكن تصميمها بصورة متكاملة لتحقيق تعلم موزع عند الحافة يتميز بزمن تأخير منخفض، وقدرة عالية على الصمود والاستعداد لعصر ما بعد الحوسبة الكمية. كما تقدم الأطروحة مجموعة من الإرشادات التصميمية والقيود العملية التي يمكن الاستفادة منها في توجيه عمليات النشر الفعالة لهذه الأنظمة.

Download

Share

COinS