أصبحت تكنولوجيا البلوكشين حلاً قويًا لتعزيز الأمان والخصوصية في أنظمة الإنترنت للأشياء (IoT) من خلال لامركزية تخزين البيانات وتأمين المعاملات عبر التشفير، مما يضمن عدم قابلية تلاعب البيانات وحمايتها من الوصول غير المصرح به. اقترح العمل المبكر أُطُرَ عمل خفيفة للبلوكشين للمنازل الذكية لحماية بيانات المستخدم من الهجمات الخارجية. كما تعمل العقود الذكية على أتمتة إجراءات الأجهزة استنادًا إلى محفزات محددة. ومع ذلك، يمكن أن تؤدي متطلبات الحوسبة وآليات التوافق في البلوكشين إلى تأخيرات تقلل من الكفاءة في التطبيقات في الوقت الحقيقي. يجري استكشاف دمج البلوكشين مع التعلم الآلي (ML) لتحسين إدارة الأمن في شبكات الجيل السادس (6G) وتحسين بنية المدن الذكية، مما يعزز الشفافية والأمن والكفاءة في مجالات مثل الطاقة والنقل. كما تعزز تطبيقات البلوكشين أمن وخصوصية أجهزة الإنترنت للأشياء الذكية. لقد زاد التركيز على تطبيقات التعلم الآلي في التحكم التنبئي بدرجات الحرارة، نظرًا لقدرتها على تحسين استجابة النظام وكفاءته الطاقية. تقوم خوارزميات ML بتحليل بيانات درجات الحرارة الداخلية التاريخية، وعدد السكان، وحالة الطقس للتنبؤ بحاجة التدفئة أو التبريد، مما يتيح ضبط النظام مسبقًا. تظهر الدراسات أن التحكم المستند إلى ML يمكن أن يقلل من استهلاك الطاقة بنسبة تصل إلى 18% مقارنة بالأنظمة التفاعلية. تتطلب مثل هذه الأنظمة التنبئية معالجة بيانات قوية وآمنة للتعامل مع المدخلات في الوقت الحقيقي والتاريخية. يُستخدم الحوسبة الحدية لتقليل زمن الاستجابة والتأخير في معالجة البيانات، وتحسين القرار اللحظي خاصة في أنظمة التحكم في درجات الحرارة الذكية. يعزز التفاعل بين الذكاء الاصطناعي (AI) وتقنيات البلوكشين إنتاجية الصناعات، وموثوقية العمليات، وأمان البيانات بشكل ملحوظ. يُحسن الجمع بين الذكاء الاصطناعي القابل للتفسير والبلوكشين من عمليات اتخاذ القرارات المالية من خلال زيادة الشفافية والثقة. كما تُظهر الأُطُر المنزلية الذكية المعتمدة على البلوكشين والنماذج العميقة تعزيز الكفاءة الطاقية، والأمان، والأتمتة. أما نماذج الخصوصية التفاضلية المدمجة مع البلوكشين فتعزز بشكل كبير حماية خصوصية بيانات المستخدم. تُحسن أنظمة مثل BEDS إدارة البيانات في المنازل والمركبات من خلال جدولة فعالة لبيانات المستشعرات. كما تتقدم الطرق التعاونية التي تجمع بين البلوكشين وشبكات الاستشعار اللاسلكية (WSNs) في ضمان سلامة البيانات وموثوقيتها، بينما تعزز طرق الذكاء الجماعي الجديدة أمان وكفاءة شبكات الاستشعار. يُستخدم أيضًا أبحاث أخرى لتحسين عمليات الشبكات الصغيرة، وأنظمة النقل الكهربائي اللاسلكية، ودمج الطاقة المتجددة في المنازل الذكية عبر التنبؤات والتخطيط المتقدمة، غالبًا باستخدام خوارزميات ML مجتمعة لتحسين التنبؤات باستهلاك الطاقة. يلعب ثقة المستخدم دورًا حاسمًا في قبول أجهزة المنزل الذكي المدعومة بالذكاء الاصطناعي، مما يؤثر على استعداد المستخدم لدمج هذه التقنيات. تركز المراجعات على إدارة الطاقة المدفوعة بالذكاء الاصطناعي لتحسين التحكم في درجة الحرارة وكفاءتها، بينما تركز تحليلات البلوكشين على تأمين تبادل البيانات في المنزل الذكي. تلعب شبكات الاستشعار اللاسلكية دورًا أساسيًا في جمع البيانات في أنظمة التحكم التنبئي بدرجات الحرارة، مع تحسينات متعددة في استراتيجيات ML لزيادة الكفاءة الطاقية من خلال التنبؤ وضبط أنظمة التدفئة. يتوافق تداول الطاقة اللامركزي المدعوم بالبلوكشين مع أهداف إدارة الطاقة في المنازل الذكية. تساهم تقنيات تجميع البيانات في تحسين أداء شبكات الاستشعار من خلال تقليل استهلاك الطاقة وتحسين الدقة. تُمكّن الوكيلات المعرفية من التكيف مع سياق الإنترنت للأشياء (IoT).

يعزز التفاعل بين المعماريات الهجينة والخوارزميات القائمة على الوكلاء اختيار الموارد وتحديد الموقع، مما يحسن قابلية التوسع والأمان في شبكات IoT. يساهم العمل المعروض بشكل ملحوظ في (1) دمج الذكاء الاصطناعي والبلوكشين لإدارة التنبؤ بدرجات الحرارة ومعالجة البيانات بأمان؛ (2) تطوير إطار عمل يجمع بين الجدولة التنبئية وكشف الأحداث الديناميكية؛ و (3) تقييم الأداء من حيث الكفاءة الطاقية، والأمان، وقابلية التوسع. على الرغم من التقدم، لا تزال هناك فجوات: فالإنتاجية المحدودة للدمج بين البلوكشين وML التنبئي في تحكم الحرارة يقيّد حلول الأمان والتكيف؛ العديد من الأنظمة تفتقر إلى التحكم التنبئي مع أمن بيانات قوي؛ تسبب المعالجة عبر السحابة زمن استجابة وتكدسات حسابية تعيق الاستجابة في الوقت الحقيقي؛ وغالبًا ما تتجاهل طرق إدارة الطاقة التسعير الديناميكي وإمكانيات التداول اللامركزي. تعالج هذه الورقة هذه الفجوات من خلال إطار عمل للبلوكشين مدعوم بالذكاء الاصطناعي يدمج شبكات الاستشعار اللاسلكية، وتحليلات ML التنبئية، والحوسبة الحدية بمعالجة بيانات مؤجلة زمنيًا. تشمل الابتكارات الرئيسية: التنبؤ المدعوم بالبلوكشين لتحقيق استهلاك طاقة أمثل للتدفئة والتبريد؛ استخدام الحوسبة الحدية لتقليل زمن الاستجابة عبر المعالجة المحلية وتحليل البيانات المؤجلة لتخفيف الأحمال الذروية؛ الكشف الدقيق للأحداث عبر شبكات استشعار متقدمة ومع جدولة تنبئية لتقليل استهلاك الطاقة؛ التداول اللامركزي للطاقة عبر البلوكشين بسعر ديناميكي لتحسين الاستخدام وتقليل التكاليف؛ وقابلية التوسع مع تحسين الكفاءة الطاقية والإدارة اللامركزية الآمنة. يتم تطبيق العديد من نماذج الذكاء الاصطناعي والتعلم الآلي في هذا المجال، منها: الشبكات العصبية الاصطناعية (ANN) والشبكات العميقة لنمذجة السلاسل الزمنية غير الخطية للتنبؤ بدرجات الحرارة والطاقة؛ آلات الدعم الناقل (SVM) لأداء الانحدار على البيانات عالية الأبعاد؛ الغابات العشوائية (RF) لتنبؤات قوية باستخدام Ensemble؛ الشبكات العصبية العودية (RNN) ونماذج الذاكرة القصيرة والطويلة (LSTM) للتنبؤات المعتمدة على الوقت؛ وأشجار القرار (DT) لاتخاذ قرارات تفسر بشكل مفهوم للتحكم في درجة الحرارة. تعزز هذه النماذج دقة التنبؤ لتحسين أداء أنظمة HVAC. يشمل تحديد المشكلة نمذجة ديناميات درجات الحرارة استنادًا إلى انتقال الحرارة، واستخدام ML للتنبؤ بدرجة الحرارة المستقبلية واستهلاك الطاقة، وتطبيق قوانين التحكم للحفاظ على درجات الحرارة الداخلية ضمن تفضيلات المستخدم. يتم تقليل استهلاك الطاقة مع الالتزام بقيود الراحة. يستخدم التحليل المؤجل زمنيًا لتحميل العمليات غير العاجلة خارج أوقات الذروة، مما يقلل من الأحمال الحسابية في الوقت الحقيقي. يضمن البلوكشين أمان بيانات المستشعر وإشارات التحكم عبر تخزين كتل غير قابلة للتغيير وهاشية لضمان النزاهة والشفافية. يُكشف عن الأحداث التنبئية مثل التشغيل والإيقاف التلقائي للتدفئة أو التبريد عبر معدلات تغير درجة الحرارة، مع تكييف العتبات باستخدام ML لمراعاة التغيرات البيئية. كما يستخدم الجدولة التنبئية أنماط الأحداث التاريخية لتوقع احتياجات التدفئة، مما يتيح التشغيل المسبق بكفاءة طاقية. ابتكار رئيسي هو التداول اللامركزي للطاقة بين المنازل الذكية باستخدام البلوكشين، حيث يتم تداول الفائض من الطاقة المتجددة بشكل آمن عبر العقود الذكية بأسعار ديناميكية. كما يتم تحسين شبكات الاستشعار اللاسلكية بإدارة نشطة للمستشعرات لتقليل استهلاك الطاقة مع الحفاظ على التغطية. تتعاون عدة منازل ذكية كوكلاء في شبكة لامركزية لمشاركة الأحمال وتقليل الطلبات الذروية. يُستخدم خوارزمية تحكم تكيّفية لتقليل استهلاك الطاقة والانحرافات الحرارية عبر التغذية الراجعة اللحظية ومعدلات التعلم. يقوم نظام الخوارزمية بجمع ومعالجة بيانات المستشعرات التاريخية والحالية؛ تدريب نماذج ML؛ التنبؤ بدرجات الحرارة والاستهلاك الطاقي؛ كشف أحداث التدفئة أو التبريد؛ دمج البلوكشين للتسجيل الآمن وعمليات التوافق غير القابلة للتعديل؛ تطبيق الجدولة التنبئية والتحسين؛ والتكيف ديناميكيًا استنادًا إلى التغذية الراجعة. يُقيم الأداء من حيث الدقة، وتوفير الطاقة، وقابلية التوسع، وتقليل الكمون. تستخدم الدراسات والمحاكاة مجموعة بيانات حقيقية تشمل أجهزة استشعار شبكية والاستشعار اللاسلكي، ترصد درجات الحرارة، واستهلاك الطاقة، وحالة المشعات، بالإضافة إلى بيانات الطقس الخارجية، من عدة غرف على مدى ستة أشهر. تشمل المعالجة المسبقة البيانات التكميلية والمصادقة على القيم الشاذة باستخدام طرق تصفية النطاق الربعي، والتطبيع، واستخراج الميزات للأنماط الزمنية. تم تدريب نماذج الشبكات العصبية وعرضها للتعلم التكيفي. تُبرز النتائج أن النظام يستطيع بفعالية الحفاظ على درجات الحرارة الداخلية وسط تقلبات خارجية من خلال التحكم التنبئي، مع تحقيق تنظيم أكثر سلاسة وتقليل ملحوظ في استهلاك الطاقة عبر التعديل الديناميكي للطاقة وتوازن الأحمال المؤجلة. يضمن دمج البلوكشين أمان البيانات ويدعم التداول والتخطيط اللامركزيين للطاقة. يكتشف النظام بسرعة أحداث تشغيل وإيقاف المشعات والتبريد باستخدام عتبات تعتمد على ML، مما يتيح تحكمًا مسبقًا وكفء للطاقة. تُظهر المقارنات تحسينات ملحوظة على منظمات الحرارة التقليدية، وأجهزة PID من حيث الإدخار الطاقي، وسرعة الاستجابة، والدقة، وكشف الأحداث، وأمان البيانات. تكشف تحليلات التعقيد الخوارزمي أن جمع البيانات في الوقت الحقيقي فعال (O(n))، واستنتاج ML (O(d))، ومعالجة معاملات البلوكشين (من O(1) إلى O(log n))، وكشف الأحداث (O(n)). يزيد حجم التخزين مع زيادة عدد المستشعرات وحجم البلوكشين. يوازن الإطار بين متطلبات الحوسبة وتحسين استهلاك الطاقة مع الحفاظ على نزاهة البيانات عبر توافق البلوكشين. باختصار، يجمع الإطار المقترح للذكاء الاصطناعي والبلوكشين للتحكم التنبئي بدرجات الحرارة في المنازل الذكية بين التنبؤ المتقدم، والإدارة اللامركزية الآمنة للبيانات، والمعالجة عبر الحوسبة الحدية مع البيانات المؤجلة، والتداول اللامركزي للطاقة، مما يعزز الكفاءة الطاقية، واستجابة النظام، وراحة المستخدم، وأمان البيانات، ويحلّ التحديات الرئيسية في بيئة المنزل الذكي، ويمهد الطريق لحلول قابلة للتوسع وموثوقة وتكيفية لضبط درجة الحرارة.