使用TinyML和后量子密码学监控ICU的基于边缘的安全IoMT框架

科学领域:

• 计算机科学 计算机科学
• 医疗信息学 医疗信息学
• 网络安全 网络安全

背景情况:

• 重症监护室 (ICU) 产生大量的关键患者数据.
• 现有的医疗物联网 (IoMT) 系统在实时处理,数据安全和可扩展性方面面临挑战.
• 量子计算的出现需要对敏感的医疗数据提供量子抗性加密解决方案.

研究的目的:

• 为ICU提出和评估一个安全的,实时的,基于边缘的IoMT监控框架.
• 集成TinyML以实现高效的设备上的异常检测和数据安全的后量子加密 (PQC).
• 为了解决计算限制,并确保在IoMT环境中提供量子抗性数据传输.

主要方法:

• 开发了一个基于边缘的IoMT框架,将TinyML决策树与ESP32微控制器上的Kyber 512 PQC集成在一起.
• 在OMNeT++模拟环境中实施和评估框架.
• 利用合成生成的ICU数据集,由医院验证,并纳入数据融合技术.

主要成果:

• 在异常检测中达到99.4%的准确性,在外部数据集上具有很高的概括性 (PhysioNet: 98.5%,Kaggle: 99.0%).
• 在真实的ICU网络条件下,OMNeT++模拟证实了零数据包丢失和非常低的端到端延迟.
• 证明了在资源有限的设备上对设备内推断和PQC加密的可行性.

结论:

• 拟议的框架为智能ICU监控提供了一个安全,高效和可扩展的解决方案.
• 整合TinyML和PQC为IoMT安全性和实时分析提供了为未来准备的方法.
• 这项工作开创了TinyML和PQC在模拟IoMT环境中用于增强医疗保健的联合使用.