یادگیری ماشین و ارتقاء امنیت در اینترنت اشیاء پزشکی

از آنجائیکه سیستم‌های مراقبت‌ بهداشتی اینترنت اشیاء پزشکی صرفاً باید توسط کاربران یا دستگاه‌های مجاز قابل دسترسی باشند، عدم حفاظت از اطلاعات بیماران و نیز عدم احراز هویت کاربران می تواند به طور بالقوه به مهاجمان اجازه نفوذ دهد تا به داده‌های مراقبت‌های بهداشتی خصوصی بیماران دسترسی پیدا کنند. علیرغم اطلاع از ویژگی‌های بارز اینترنت اشیاء پزشکی، پیاده سازی اینترنت اشیاء پزشکی با مجموعه ای از چالش‌ها همراه است که بزرگترین آنها امنیت و حریم خصوصی است. به دلیل ماهیت بسیار حساس داده‌هایی که در اینترنت اشیاء پزشکی پردازش می‌شوند، ارتباطات باید ایمن و همیشه در دسترس باشند. علاوه بر این، یکپارچگی داده‌‌ها، محرمانه بودن و در دسترس بودن داده‌های پزشکی به اشتراک گذاشته شده در شبکه بیمارستانی از اهمیت بالایی برخوردار است. تکنیک‌های یادگیری ماشینی می‌توانند به طور موثر مسائل امنیتی اینترنت اشیاء پزشکی را یادگیری کنند. در این مقاله با استفاده از مجموعه داده wustl-ehms-2020 و معیارهای ارزیابی عملکرد مدل ها، الگوریتمهای یادگیری ماشین شامل ماشین بردار پشتیبان، kنزدیکترین همسایه، درخت تصمیم و آدابوست مدل سازی شده اند و با بررسی عملکرد هریک به تحلیل برتری آنها نسبت به یکدیگر پرداخته شده است. بالاترین میزان دقت در تشخیص حملات به شبکه به میزان 96.7 درصد بدست آمده است که می تواند با دقت مطلوبی طبقه بندی را انجام دهد.