フェデラート・ラーニングを活用した医療IoTネットワークセキュリティの重要な特徴を特定する

科学分野:

• 医療におけるサイバーセキュリティと人工知能
• 機械学習とディープラーニングのアプリケーション

背景:

• 医療用モノのインターネット (IoHT) は,重要な医療上の利点を提供していますが,特にニューラルネットワークに対する敵対的な攻撃は,重要なサイバーセキュリティの課題に直面しています.
• 現存する防御メカニズムは現実世界の適用性に問題があり,重要なヘルスケアシステムにおけるAIの脆弱性を検出し軽減するための強力な方法が必要です.
• 連邦学習 (FL) は,ユーザーのプライバシーを保護しながら,協力的なモデルのトレーニングを可能にしますが,悪意のある参加者からの攻撃に脆弱です.

研究 の 目的:

• AADF-FLEIoTMモデルを使用した高度な敵対攻撃検出フレームワークを開発する.
• 効果的な対抗攻撃の検出を通じて,IoHT環境におけるAI方法のセキュリティと信頼性を高めること.

主な方法:

• 統合学習と高度なディープラーニング技術を統合したハイブリッドモデルの実装
• データの事前処理のための最小最大正規化,特徴選択のための海洋捕食者アルゴリズム (MPA),および検出のための自己注意 (SA-CNN-BiLSTM) を備えたコンボリューションニューラルネットワーク双方向の長期短期記憶を使用した.
• SA-CNN-BiLSTMハイパーパラメータをRed-Tail Hawk (RTH) オプティマイザーアルゴリズムを使用して最適化し,優れた分類性能を実現しました.

主要な成果:

• AADF-FLEIoTMモデルは,IoTヘルスケアセキュリティデータセットに対する対抗攻撃の検出において優れたパフォーマンスを示しました.
• 98.24%の高い精度を達成し,IoHT環境内の脅威を特定し,分類する上で既存のモデルを上回りました.
• MPAとRTH-optimizerは,それぞれ機能選択とモデルハイパーパラメータチューニングを効果的に強化しました.

結論:

• 提案されたAADF-FLEIoTMフレームワークは,IoHTシステムにおける敵対的な攻撃を検出するための堅牢で効果的なソリューションを提供します.
• 統合学習と高度なディープラーニングの統合により,医療IoTデバイスのセキュリティと信頼性が著しく向上します.
• この研究はハイブリッドAIモデルが 複雑なサイバー脅威から 機密医療データを保護する 可能性を強調しています