کاهش مصرف انرژی در سیستم‌های مراقبت بهداشتی مبتنی بر اینترنت اشیاء با تجمیع اطلاعات و حفظ امنیت داده‌ها

شبکه‌های کامپیوتری نقش مهم و کاربردی در ارتباطات و تبادل داده‌ها دارند و اشتراک منابع را نیز با سهولت کامل انجام می‌دهند. امروزه انواع مختلفی از شبکه‌های کامپیوتری پا به عرصه وجود گذاشته است که یکی از آنها شبکه اینترنت اشیاء است. در اینترنت اشیاء گره‌های شبکه می‌توانند هر شی هوشمند باشد و از این نظر این شبکه دارای گره‌های زیادی است و ترافیک بالایی در این شبکه وجود دارد. اینترنت اشیا دارای ویژگی خاصی است که آن را نسبت به سایر فناوری‌ها آسیب‌پذیرتر می‌کند. گره‌ها به دلیل اجرای آنها که اغلب در محیط‌های متخاصم یا خطرناک قرار می‌گیرند، در برابر حملات مختلف آسیب‌پذیر هستند. مهاجم همچنین می‌تواند یک اختلال در شبکه ایجاد کند، داده‌ها را اصلاح کند و داده‌هایی را که قبلاً منتقل شده است را مجدداً پخش کند تا مرکز مراقبت‌های بهداشتی را متقاعد کند که یک نتیجه تجمیع شده نادرست را بپذیرد. در این مقاله تمرکز بر روی تشخیص نفوذ مبتنی بر شبکه در سیستم‌های مراقبت بهداشتی مبتنی بر اینترنت اشیاء برای حفظ امنیت داده‌ها و کاهش مصرف انرژی با استفاده از شبکه عصبی پرسپترون چندلایه است. در این پژوهش پس از جمع‌آوری و آماده‌سازی داده‌ها از شبکه عصبی پرسپترون چندلایه آموزش‌یافته با الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری به عنوان روش پیشنهادی در جهت تشخیص نفوذ در اینترنت اشیاء استفاده می‌شود و الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری وزن‌ها و بایاس‌های نورون‌ها در لایه‌های پنهان و خروجی در شبکه عصبی پرسپترون چندلایه تعیین می‌شود و نتایج با الگوریتم k- نزدیک‌ترین همسایه بر اساس انواع خطا و معیارهای کارایی استاندارد مورد مقایسه قرار می‌‌گیرد. نتایج شبیه‌سازی نشان از دقت 98.1% در روش پیشنهادی و عملکرد بهتر در مقایسه با الگوریتم k- نزدیک‌ترین همسایه دارد.