With the evolution of the Internet of Things (IoT), smart cities have become the mainstream of urbanization. IoT networks allow distributed smart devices to collect and process data within smart city infrastructure using an open channel, the Internet. Thus, challenges such as centralization, security, privacy (e.g., performing data poisoning and inference attacks), transparency, scalability, and verifiability limits faster adaptations of smart cities. Motivated by the aforementioned discussions, we present a Privacy-Preserving and Secure Framework (PPSF) for IoT-driven smart cities. The proposed PPSF is based on two key mechanisms: a two-level privacy scheme and an intrusion detection scheme. First, in a two-level privacy scheme, a blockchain module is designed to securely transmit the IoT data and Principal Component Analysis (PCA) technique is applied to transform raw IoT information into a new shape. In the intrusion detection scheme, a Gradient Boosting Anomaly Detector (GBAD) is applied for training and evaluating the proposed two-level privacy scheme based on two IoT network datasets, namely ToN-IoT and BoT-IoT. We also suggest a blockchain-InterPlanetary File System (IPFS) integrated Fog-Cloud architecture to deploy the proposed PPSF framework. Experimental results demonstrate the superiority of the PPSF framework over some recent approaches in blockchain and non-blockchain systems.

Alzheimer's disease (AD) is the most prevalent cause of dementia and is characterized by low levels of acetyl and butyrylcholine, increased oxidative stress, inflammation, accumulation of metals, and aggregations of Aβ and tau proteins. Current treatments for AD provide only symptomatic relief without impacting the pathological hallmarks of the disease. In our ongoing efforts to develop naturally inspired novel multitarget molecules for AD, through extensive medicinal chemistry efforts, we have developed 13a, harboring the key functional groups to provide not only symptomatic relief but also targeting oxidative stress, able to chelate iron, inhibiting NLRP3, and Aβ1–42 aggregation in various AD models. 13a exhibited promising anticholinesterase activity against AChE (IC50 = 0.59 ± 0.19 μM) and BChE (IC50 = 5.02 ± 0.14 μM) with excellent antioxidant properties in DPPH assay (IC50 = 5.88 ± 0.21 μM) over ferulic acid (56.49 ± 0.62 μM). The molecular docking and dynamic simulations further corroborated the enzyme inhibition studies and confirmed the stability of these complexes. Importantly, in the PAMPA-BBB assay, 13a turned out to be a promising molecule that can efficiently cross the blood–brain barrier. Notably, 13a also exhibited iron-chelating properties. Furthermore, 13a effectively inhibited self- and metal-induced Aβ1–42 aggregation. It is worth mentioning that 13a demonstrated no symptom of cytotoxicity up to 30 μM concentration in PC-12 cells. Additionally, 13a inhibited the NLRP3 inflammasome and mitigated mitochondrial-induced reactive oxygen species and mitochondrial membrane potential damage triggered by LPS and ATP in HMC-3 cells. 13a could effectively reduce mitochondrial and cellular reactive oxygen species (ROS) in the Drosophila model of AD. Finally, 13a was found to be efficacious in reversing memory impairment in a scopolamine-induced AD mouse model in the in vivo studies. In ex vivo assessments, 13a notably modulates the levels of superoxide, catalase, and malondialdehyde along with AChE and BChE. These findings revealed that 13a holds promise as a potential candidate for further development in AD management.

The Internet of Things (IoT) has revolutionized various sectors by enabling seamless device interaction. However, the proliferation of IoT devices has also raised significant security and privacy concerns. Traditional security measures often fail to address these concerns due to the unique characteristics of IoT networks, such as heterogeneity, scalability, and resource constraints. This survey paper adopts a thematic exploration approach for a comprehensive analysis to investigate the convergence of quantum computing, federated learning, and 6G wireless networks. This novel intersection is explored to significantly improve security and privacy within the IoT ecosystem. To enable several secure, intelligent IoT applications, quantum computing, with its superior computational capabilities, can strengthen encryption algorithms, making IoT data more secure. Federated learning, a decentralized machine learning approach, allows IoT devices to learn a shared model while keeping all the training data on the original device, thereby enhancing privacy. This synergy becomes even more crucial when integrated with the high-speed, low-latency capabilities of 6G networks, which can facilitate real-time, secure data processing and communication among many IoT devices. Second, we discuss the latest developments, offering an up-to-date overview of advanced solutions, available datasets, and key performance metrics and summarizing the vital insights, challenges, and trends in securing IoT systems. Third, we design a conceptual framework for integrating quantum computing in federated learning, adapted for 6G networks. Finally, we highlight the future advancements in quantum technologies and 6G networks and summarize the implications for IoT security, paving the way for researchers and practitioners in the field of IoT security.

The recent development of Internet of Things (IoT) and unmanned aerial vehicles (UAVs) has revolutionized traditional agriculture with intelligence and automation. In a typical intelligent agriculture (IA) ecosystem, massive and real-time data are generated, analyzed, and sent to the cloud server (CS) for the purpose of addressing complex agricultural issues, such as yield prediction, water feed calculation, and so on. This helps farmer and associated stakeholders to take correct decision that improves the yield and quality of agricultural product. However, the distributed nature of IA entities and the usage of insecure wireless communication open various challenges related to data sharing, monitoring, storage, and further makes the entire IA ecosystem vulnerable to various potential attacks. In this article, we exploit deep learning and smart contract to propose a new IoT-enabled IA framework for enabling secure data sharing among its various entities. Specifically, first we develop new authentication and key management scheme to ensure secure data transmission in IoT-enabled IA. The encrypted transactions are then used by the CS to analyze and further detect intrusions by a novel deep learning architecture. In CS, the smart contract (SC)-based consensus mechanism is executed on legitimate transactions that verifies and adds the formed blocks into blockchain by a peer-to-peer CSs network. In comparison to existing competing security solutions, a rigorous comparative research demonstrates that the proposed approach provides greater security and more utility characteristics.