یادگیری عمیق و ارتقاء امنیت در اینترنت اشیاء پزشکی

اینترنت اشیاء پزشکی با بهره‌گیری از یادگیری عمیق و فناوری‌های نوین می‌تواند بهبود تاثیرگزاری در امنیت خدمات پزشکی داشته باشد. امروزه حفاظت از حریم خصوصی اطلاعات بیماران و تشخیص حملات سایبری در اینترنت اشیاء پزشکی بسیار پراهمیت شده است. الگوریتم‌ ژنتیک برای استخراج ویژگی‌ها و مدل‌های یادگیری عمیق برای طبقه‌بندی ترافیک شبکه می‌توانند نقش مهمی در بهبود امنیت و افزایش دقت در تشخیص حملات سایبری ایفا ‌کنند. لذا استفاده از ترکیب داده‌های بیومتریک و آنالیز ترافیک شبکه با استفاده از رویکردهای یادگیری عمیق بهبود قابل توجهی را در کارائی اینترنت اشیاء پزشکی بدنبال خواهد داشت. در این مقاله با استفاده از مجموعه داده wustl-ehms-2020 و معیارهای ارزیابی عملکرد، الگوریتمهای یادگیری عمیق cnn، lstm، rnn وgru مدل‌سازی شده‌اند و نتایج حاصل از مدل‌سازی نشان می‌دهد که مدل‌ شبکه عصبی کانولوشنی بالاترین دقت عملکرد را نسبت به سایر مدل‌ها می‌تواند ارائه نماید. امید است تا نتایج حاصل برای تشخیص حملات و افزایش امنیت اینترنت اشیاء پزشکی کارآمد باشد.