يادگيري عميق و ارتقاء امنيت در اينترنت اشياء پزشكي

اينترنت اشياء پزشكي با بهره‌گيري از يادگيري عميق و فناوري‌هاي نوين مي‌تواند بهبود تاثيرگزاري در امنيت خدمات پزشكي داشته باشد. امروزه حفاظت از حريم خصوصي اطلاعات بيماران و تشخيص حملات سايبري در اينترنت اشياء پزشكي بسيار پراهميت شده است. الگوريتم‌ ژنتيك براي استخراج ويژگي‌ها و مدل‌هاي يادگيري عميق براي طبقه‌بندي ترافيك شبكه مي‌توانند نقش مهمي در بهبود امنيت و افزايش دقت در تشخيص حملات سايبري ايفا ‌كنند. لذا استفاده از تركيب داده‌هاي بيومتريك و آناليز ترافيك شبكه با استفاده از رويكردهاي يادگيري عميق بهبود قابل توجهي را در كارائي اينترنت اشياء پزشكي بدنبال خواهد داشت. در اين مقاله با استفاده از مجموعه داده wustl-ehms-2020 و معيارهاي ارزيابي عملكرد، الگوريتمهاي يادگيري عميق CNN، LSTM، RNN وGRU مدل‌سازي شده‌اند و نتايج حاصل از مدل‌سازي نشان مي‌دهد كه مدل‌ شبكه عصبي كانولوشني بالاترين دقت عملكرد را نسبت به ساير مدل‌ها مي‌تواند ارائه نمايد. اميد است تا نتايج حاصل براي تشخيص حملات و افزايش امنيت اينترنت اشياء پزشكي كارآمد باشد.