كاهش مصرف انرژي در سيستم‌هاي مراقبت بهداشتي مبتني بر اينترنت اشياء با تجميع اطلاعات و حفظ امنيت داده‌ها

شبكه‌هاي كامپيوتري نقش مهم و كاربردي در ارتباطات و تبادل داده‌ها دارند و اشتراك منابع را نيز با سهولت كامل انجام مي‌دهند. امروزه انواع مختلفي از شبكه‌هاي كامپيوتري پا به عرصه وجود گذاشته است كه يكي از آنها شبكه اينترنت اشياء است. در اينترنت اشياء گره‌هاي شبكه مي‌توانند هر شي هوشمند باشد و از اين نظر اين شبكه داراي گره‌هاي زيادي است و ترافيك بالايي در اين شبكه وجود دارد. اينترنت اشيا داراي ويژگي خاصي است كه آن را نسبت به ساير فناوري‌ها آسيب‌پذيرتر مي‌كند. گره‌ها به دليل اجراي آنها كه اغلب در محيط‌هاي متخاصم يا خطرناك قرار مي‌گيرند، در برابر حملات مختلف آسيب‌پذير هستند. مهاجم همچنين مي‌تواند يك اختلال در شبكه ايجاد كند، داده‌ها را اصلاح كند و داده‌هايي را كه قبلاً منتقل شده است را مجدداً پخش كند تا مركز مراقبت‌هاي بهداشتي را متقاعد كند كه يك نتيجه تجميع شده نادرست را بپذيرد. در اين مقاله تمركز بر روي تشخيص نفوذ مبتني بر شبكه در سيستم‌هاي مراقبت بهداشتي مبتني بر اينترنت اشياء براي حفظ امنيت داده‌ها و كاهش مصرف انرژي با استفاده از شبكه عصبي پرسپترون چندلايه است. در اين پژوهش پس از جمع‌آوري و آماده‌سازي داده‌ها از شبكه عصبي پرسپترون چندلايه آموزش‌يافته با الگوريتم بهينه‌سازي مبتني بر آموزش و يادگيري به عنوان روش پيشنهادي در جهت تشخيص نفوذ در اينترنت اشياء استفاده مي‌شود و الگوريتم بهينه‌سازي مبتني بر آموزش و يادگيري وزن‌ها و باياس‌هاي نورون‌ها در لايه‌هاي پنهان و خروجي در شبكه عصبي پرسپترون چندلايه تعيين مي‌شود و نتايج با الگوريتم k- نزديك‌ترين همسايه بر اساس انواع خطا و معيارهاي كارايي استاندارد مورد مقايسه قرار مي‌‌گيرد. نتايج شبيه‌سازي نشان از دقت 98.1% در روش پيشنهادي و عملكرد بهتر در مقايسه با الگوريتم k- نزديك‌ترين همسايه دارد.