حفظ حریم خصوصی داده ها در اینترنت اشیای پزشکی (IoMT) با استفاده از یادگیری فدرال (Federated Learning) در معماری مه

اینترنت اشیای پزشکی (IoT) با جمع آوری و تحلیل داده های سلامتی بیماران انقلابی در حوزه مراقبت های بهداشتی ایجاد کرده است. با این حال، ماهیت حساس این داده ها، نگرانی های جدی در مورد حریم خصوصی را به همراه داشته است. ارسال حجم عظیمی از داده های خام پزشکی به سرورهای مرکزی ابری خطر نشت اطلاعات و سوء استفاده را به شدت افزایش می دهد. در این مقاله به بررسی یک رویکرد نوین برای حل این چالش یعنی استفاده از یادگیری فدرال (Federated Learning) در یک معماری مه (Fog Computing) پرداخته می شود. یادگیری فدرال این امکان را فراهم می کند که مدل های هوش مصنوعی به صورت محلی بر روی دستگاه های لبه مانند سنسورهای پوشیدنی و یا گره های مه آموزش ببینند، بدون آنکه داده های خام از دستگاه مبدا خارج شوند. تنها پارامترها و به روزرسانی های مدل به سرور مرکزی ارسال می گردد که این امر به طور قابل توجهی به حفظ حریم خصوصی کمک می کند. معماری مه نیز با قرار گرفتن بین دستگاه های IoMT و ابر، پردازش های اولیه و تجمیع مدل ها را در نزدیکی منبع تولید داده انجام می دهد که این خود باعث کاهش تاخیر، بهینه سازی مصرف پهنای باند و افزایش یک لایه امنیتی دیگر می شود. در این مقاله مروری، ضمن تشریح مفاهیم کلیدی، به بررسی چالش ها، مزایا و معماری های مختلف ترکیب یادگیری فدرال و محاسبات مه برای حفظ حریم خصوصی در اکوسیستم IoMT پرداخته و راهکارهای موجود در این زمینه را مورد تجزیه و تحلیل قرار می دهیم.

Keywords:

اینترنت اشیای پزشکی (IoMT) , حریم خصوصی داده , یادگیری فدرال , محاسبات مه , امنیت سایبری , مراقبت های بهداشتی هوشمند