ハイブリッド・ディープ・ラーニング対応のフレームワークで,ヘルスケア・インターネット・オブ・シングス (H-IoT) 環境におけるセキュリティ,データ・インテグリティ,運用性能の向上

科学分野:

• サイバーセキュリティ
• 人工知能
• 生物医学工学

背景:

• 医療やスマート環境における人間中心のモノのインターネット (H-IoT) システムは,重大なセキュリティ上の課題に直面しています.
• 従来のセキュリティ方法は,ダイナミックでリアルタイムな生理学的データストリームには不十分で,H-IoTデバイスは脆弱です.

研究 の 目的:

• H-IoTシステムの適応的なセキュリティのための新しい信頼意識のハイブリッドフレームワークを提案する.
• 生理学的データの完全性のために,リアルタイムで異常を検出し,適応的なアクセス制御を強化します.

主な方法:

• 生理学的信号分析のためのコンボリューションニューラルネットワーク (CNN),長期短期記憶 (LSTM) と変数自動エンコーダー (VAE) の統合.
• リアルタイムの信頼スコア計算のためのダイナミックな信頼認識コントローラ (TAC) の開発.
• エッジデバイスの展開を含む様々な攻撃およびノイズ条件下でのベンチマークおよび独自のH-IoTデータセットの評価.

主要な成果:

• 異常検出の平均F1スコア94.3%とアクセス分類の96.1%の精度を達成しました.
• 伝統的なベースラインと比較して検出感度が12%から18%向上した.
• エッジハードウェアで160ms未満のリアルタイム推論レイテンシーを維持し,敵対的な条件下で高い安定性を示しています.

結論:

• 提案された枠組みは,H-IoTネットワークにおける適応的なセキュリティのための科学的に根拠のある,スケーラブルなソリューションを提供します.
• ディープラーニングと信頼モデリングの融合により,H-IoTのセキュリティの応答性と回復力が向上します.
• 安全な次世代の健康と ウェアラブルなエコシステムへの道を開くのです