|
Title
|
حفظ حريم خصوصي داده ها در اينترنت اشياي پزشكي (IoMT) با استفاده از يادگيري فدرال (Federated Learning) در معماري مه
|
|
Type
|
Presentation
|
|
Keywords
|
اينترنت اشياي پزشكي (IoMT)، حريم خصوصي داده، يادگيري فدرال، محاسبات مه، امنيت سايبري، مراقبت هاي بهداشتي هوشمند
|
|
Abstract
|
اينترنت اشياي پزشكي (IoMT) با جمع آوري و تحليل داده هاي سلامتي بيماران، انقلابي در حوزه مراقبت هاي بهداشتي ايجاد كرده است. با اين حال، ماهيت حساس اين داده ها، نگراني هاي جدي در مورد حريم خصوصي را به همراه داشته است. ارسال حجم عظيمي از داده هاي خام پزشكي به سرورهاي مركزي ابري، خطر نشت اطلاعات و سوءاستفاده را به شدت افزايش مي دهد. در اين مقاله، به بررسي يك رويكرد نوين براي حل اين چالش، يعني استفاده از يادگيري فدرال (Federated Learning) در يك معماري مه (Fog Computing)، پرداخته مي شود. يادگيري فدرال اين امكان را فراهم مي كند كه مدل هاي هوش مصنوعي به صورت محلي بر روي دستگاه هاي لبه (مانند سنسورهاي پوشيدني) و يا گره هاي مه آموزش ببينند، بدون آنكه داده هاي خام از دستگاه مبدأ خارج شوند. تنها پارامترها و به روزرساني هاي مدل به سرور مركزي ارسال مي گردد كه اين امر به طور قابل توجهي به حفظ حريم خصوصي كمك مي كند. معماري مه نيز با قرار گرفتن بين دستگاه هاي IoMT و ابر، پردازش هاي اوليه و تجميع مدل ها را در نزديكي منبع توليد داده انجام مي دهد، كه اين خود باعث كاهش تأخير، بهينه سازي مصرف پهناي باند و افزايش يك لايه امنيتي ديگر مي شود. در اين مقاله مروري، ضمن تشريح مفاهيم كليدي، به بررسي چالش ها، مزايا و معماري هاي مختلف تركيب يادگيري فدرال و محاسبات مه براي حفظ حريم خصوصي در اكوسيستم IoMT پرداخته و راهكارهاي موجود در اين زمينه را مورد تجزيه و تحليل قرار مي دهيم.
|
|
Researchers
|
Salar Lotfi (First researcher) , Nazanin Khak Sabz (Second researcher) , Niloofar Ranjbar (Third researcher)
|