مدل یادگیری عمیق فدرال مبتنی بر بلاکچین برای انتقال امن داده درشبکه های اینترنت اشیادرحوزه صنعت سلامت

اطلاعات در حوزه های مختلف پزشکی از جمه اطلاعات مربوط به هویت بیماران و سوابق پزشکی آنها حیاتی وحساس هستند. لزومحفظ امنیت این داده ها و انتقال آنها بین بخشهای مختلف سامانه های پزشکی نیاز به ارتباطات ایمن دارد. امروزه تکنولوژی های نوینیبرای افزایش ایمنی در شبکه های مختلف از جمله بلاکچین مطرح شده است که قابلیت افزایش امنیت سایبری را در شبکه هایکامپیوتری دارا می باشد. دراین مقاله با استفاده از روش یادگیری عمیق فدرال Federated Learning(FL) که یکی از روش های مربوطبه یادگیری ماشین می باشد و توانایی طراحی مدلهای توزیع شده بین دستگاه ها و سرورهای توزیع شده را دارد، درکنار تکنولوژیبلاک چین استفاده کرده و یک مدل ارتباطات ایمن وتشخیص حمله برای شبکه اینترنت اشیا در صنعت پزشکی را برای تشخیصکاربران عادی از کاربران دشمن ارایه می دهیم. مدل پیشنهادی بر روی مجموعه داده ToN-IoT که شامل داده های مختلفی از ترافیکشبکه، تله متری دستگاه های اینترنت اشیا (IOT)، و اطلاعات مربوط به سیستم ها و سرویس های ارزیابی هست، تست شده و نتایجمربوطه برای تشخیص دقت حملات XSS, backdoors و DDoS به ترتیب ۸۸ / ۹۹ ، ۸۴ / ۹۹ و ۹۳ / ۹۹ محاسبه شده است. نتایج نشانمی دهد که روش پیشنهادی کارایی بالاتری نسبت به مدل های دیگر مطرح شده دراین حوزه دارد.

کلیدواژه ها:

اینترنت اشیا حوزه سلامتی ، امنیت ، بلاک چین ، یادگیری عمیق فدرال