論文の概要: FedBlockHealth: A Synergistic Approach to Privacy and Security in
IoT-Enabled Healthcare through Federated Learning and Blockchain
- arxiv url: http://arxiv.org/abs/2304.07668v1
- Date: Sun, 16 Apr 2023 01:55:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 17:57:13.613472
- Title: FedBlockHealth: A Synergistic Approach to Privacy and Security in
IoT-Enabled Healthcare through Federated Learning and Blockchain
- Title(参考訳): FedBlockHealth - フェデレーションラーニングとブロックチェーンによるIoT可能なヘルスケアにおけるプライバシとセキュリティの相乗的アプローチ
- Authors: Nazar Waheed, Ateeq Ur Rehman, Anushka Nehra, Mahnoor Farooq, Nargis
Tariq, Mian Ahmad Jan, Fazlullah Khan, Abeer Z. Alalmaie, Priyadarsi Nanda
- Abstract要約: 医療におけるIoT(Internet of Things)デバイスの急速な採用は、データのプライバシ、セキュリティ、患者の安全性を維持する上で、新たな課題をもたらしている。
従来のアプローチでは、計算効率を維持しながら、セキュリティとプライバシを確保する必要がある。
本稿では,フェデレーション学習とブロックチェーン技術を組み合わせて,セキュアでプライバシ保護のソリューションを提供する,新しいハイブリッドアプローチを提案する。
- 参考スコア(独自算出の注目度): 2.993954417409032
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid adoption of Internet of Things (IoT) devices in healthcare has
introduced new challenges in preserving data privacy, security and patient
safety. Traditional approaches need to ensure security and privacy while
maintaining computational efficiency, particularly for resource-constrained IoT
devices. This paper proposes a novel hybrid approach combining federated
learning and blockchain technology to provide a secure and privacy-preserved
solution for IoT-enabled healthcare applications. Our approach leverages a
public-key cryptosystem that provides semantic security for local model
updates, while blockchain technology ensures the integrity of these updates and
enforces access control and accountability. The federated learning process
enables a secure model aggregation without sharing sensitive patient data. We
implement and evaluate our proposed framework using EMNIST datasets,
demonstrating its effectiveness in preserving data privacy and security while
maintaining computational efficiency. The results suggest that our hybrid
approach can significantly enhance the development of secure and
privacy-preserved IoT-enabled healthcare applications, offering a promising
direction for future research in this field.
- Abstract(参考訳): 医療におけるIoT(Internet of Things)デバイスの急速な採用は、データのプライバシ、セキュリティ、患者の安全性を維持する上で、新たな課題をもたらしている。
従来のアプローチでは、特にリソース制約のあるIoTデバイスにおいて、計算効率を維持しながら、セキュリティとプライバシを確保する必要がある。
本稿では、フェデレーション学習とブロックチェーン技術を組み合わせた新しいハイブリッドアプローチを提案し、IoT対応ヘルスケアアプリケーションにセキュアでプライバシ保護されたソリューションを提供する。
我々のアプローチは、ローカルモデルの更新にセマンティックセキュリティを提供する公開鍵暗号システムを活用する一方、ブロックチェーン技術は、これらの更新の完全性を確保し、アクセス制御と説明責任を強制する。
連合学習プロセスは、センシティブな患者データを共有することなく、安全なモデルアグリゲーションを可能にする。
我々はEMNISTデータセットを用いて提案したフレームワークの実装と評価を行い、計算効率を保ちながらデータのプライバシとセキュリティを保護する効果を実証した。
その結果、当社のハイブリッドアプローチは、セキュアでプライバシ保護されたIoT対応ヘルスケアアプリケーションの開発を著しく促進し、この分野における将来の研究に有望な方向性をもたらすことが示唆されている。
関連論文リスト
- Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳(メタデータ) (2024-01-28T10:46:17Z) - A Blockchain Solution for Collaborative Machine Learning over IoT [0.31410859223862103]
フェデレートラーニング(FL)とブロックチェーン技術は、これらの課題に対処するための有望なアプローチとして現れています。
我々は、漸進学習ベクトル量子化アルゴリズム(XuILVQ)とブロックチェーン技術を組み合わせた、新しいIoTソリューションを提案する。
提案アーキテクチャは,データプライバシとセキュリティを維持しながら,計算オーバーヘッドと通信オーバーヘッドを削減することにより,既存のブロックチェーンベースのFLソリューションの欠点に対処する。
論文 参考訳(メタデータ) (2023-11-23T18:06:05Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳(メタデータ) (2023-07-29T12:54:03Z) - An Overview of AI and Blockchain Integration for Privacy-Preserving [1.0155633074816937]
本稿では、AIとブロックチェーンの概要を示し、それらの組み合わせと、派生したプライバシ保護技術の組み合わせを要約する。
次に、データ暗号化、識別解除、多層分散台帳、k匿名メソッドにおける特定のアプリケーションシナリオについて検討する。
本稿では、認証管理、アクセス制御、データ保護、ネットワークセキュリティ、スケーラビリティを含む、AIブロックチェーン統合プライバシ保護システムの5つの重要な側面を評価する。
論文 参考訳(メタデータ) (2023-05-06T04:56:45Z) - A Survey of Trustworthy Federated Learning with Perspectives on
Security, Robustness, and Privacy [47.89042524852868]
Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。
しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
論文 参考訳(メタデータ) (2023-02-21T12:52:12Z) - Privacy-Preserving Joint Edge Association and Power Optimization for the
Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。
提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
論文 参考訳(メタデータ) (2023-01-26T10:09:23Z) - Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables
in Predictive Healthcare [6.045977607688583]
フォグIoTネットワーク内で,フェデレーション学習とプライベートブロックチェーン技術を用いたプラットフォームを提案する。
これらの技術は、ネットワーク内のデータを保護するプライバシー保護機能を備えている。
実験結果によると、導入した実装は患者のプライバシと予測サービスの整合性を効果的に維持することができる。
論文 参考訳(メタデータ) (2023-01-11T15:16:44Z) - HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection [0.0]
セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
論文 参考訳(メタデータ) (2022-04-08T19:06:16Z) - A Systematic Literature Review on Blockchain Enabled Federated Learning
Framework for Internet of Vehicles [1.0499611180329804]
フェデレートラーニング(FL)は、IoVのデータプライバシとセキュリティを保護する新しいアイデアとして証明されている。
IoVに対するBC-Enabled Learningフレームワークの適用と実装に関する総合的な調査を行う。
論文 参考訳(メタデータ) (2022-03-10T07:06:04Z) - User-Centric Health Data Using Self-sovereign Identities [69.50862982117127]
本稿では、健康データのプライバシーと管理を改善するために、発行者自尊心(SSI)と分散Ledger Technologies(DLT)の潜在的利用について述べる。
論文では、保健分野における分散IDの顕著なユースケースをリストアップし、効果的なブロックチェーンベースのアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2021-07-26T17:09:52Z) - Secure Byzantine-Robust Machine Learning [61.03711813598128]
本稿では,Byzantine-robustnessとByzantine-robustnessの両方を提供するセキュアな2サーバプロトコルを提案する。
さらに、このプロトコルは通信効率が高く、フォールトトレラントであり、局所的な差分プライバシーを享受する。
論文 参考訳(メタデータ) (2020-06-08T16:55:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。