یک چارچوب یادگیری فدراسیونی قابل توضیح برای تشخیص نفوذ در اینترنت اشیاء پزشکی

افزایش استفاده از دستگاههای پزشکی متصل نیازمند سامانه های تشخیص نفوذ است که همزمان حریم خصوصی، مقاومت در برابر حملات و قابلیت تبیین پذیری تصمیمها را تامین کنند. در این مقاله چارچوبی مبتنی بر یادگیری فدرال قابل توضیح برای تشخیص نفوذ در محیطهای IoMT ارائه شده است که سه مولفه کلیدی را ترکیب میکند: (۱) حفاظت از حریم خصوصی با تلفیق مکانیزمهای حفظ حریم خصوصی و تجمیع امن، (۲) افزایش مقاومت در برابر کلاینتهای مخرب از طریق روشهای تجمیع مقاوم و (۳) فراهم سازی توضیحات قابل فهم با تولید و ارسال خلاصههای محلی SHAP برای تحلیل الگوهای توضیحی در سطح سرور. نتایج آزمایشها بر روی مجموعه دادههای معتبر IoT/IoMT نشان میدهد که چارچوب پیشنهادی میتواند تعادل مناسبی بین حفظ حریم خصوصی، مقاومت و قابلیت توضیح پذیری برقرار سازد و به عنوان راهکاری عملی برای تقویت امنیت سامانههای پزشکی متصل مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری فدرال قابل توضیح ، تشخیص نفوذ ، اینترنت اشیای پزشکی ، حریم خصوصی ، افتراقی ، تجمیع مقاوم ، تجمیع امن