یادگیری عمیق و ارتقاء امنیت در اینترنت اشیاء پزشکی

اینترنت اشیاء پزشکی با بهره گیری از یادگیری عمیق و فناوری های نوین می تواند بهبود تاثیرگزاری در امنیت خدماتپزشکی داشته باشد. امروزه حفاظت از حریم خصوصی اطلاعات بیماران و تشخیص حملات سایبری در اینترنت اشیاءپزشکی بسیار پراهمیت شده است. الگوریتم ژنتیک برای استخراج ویژگی ها و مدل های یادگیری عمیق برایطبقه بندی ترافیک شبکه می توانند نقش مهمی در بهبود امنیت و افزایش دقت در تشخیص حملات سایبری ایفا کنند.لذا استفاده از ترکیب داده های بیومتریک و آنالیز ترافیک شبکه با استفاده از رویکردهای یادگیری عمیق بهبودقابل توجهی را در کارائی اینترنت اشیاء پزشکی بدنبال خواهد داشت. در این مقاله با استفاده از محموعه داده wustl-ehms-۲۰۲۰ و معیارهای ارزیابی عملکرد، الگوریتم هایی یادگیری عمیق RNN, LSTM, CNN و GRUمدل سازی شده اند و نتایج حاصل از مدل سازی نشان می دهد که مدل شبکه عصبی کانولوشنی بالاترین دقت عملکردرا نست به سایر مدل ها می تواند ارائه نماید. امید است تا نتایج حاصل برای تشخیص حملات و افزایش امنیتاینترنت اشیاء پزشکی کارآمد باشد.

Keywords:

اینترنت اشیاء , پزشکی , الگوریتم ژنتیک , امنیت شبکه , حملات سایبری , یادگیری عمیق