論文の概要: A Novel Zero-Trust Machine Learning Green Architecture for Healthcare IoT Cybersecurity: Review, Analysis, and Implementation
- arxiv url: http://arxiv.org/abs/2401.07368v1
- Date: Sun, 14 Jan 2024 21:01:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 12:37:32.924954
- Title: A Novel Zero-Trust Machine Learning Green Architecture for Healthcare IoT Cybersecurity: Review, Analysis, and Implementation
- Title（参考訳）: 医療IoTサイバーセキュリティのためのZero-Trust Machine Learning Green Architecture: レビュー,分析,実装
- Authors: Zag ElSayed, Nelly Elsayed, Sajjad Bay,
- Abstract要約: 医療アプリケーションにおけるIoT(Internet of Things)デバイスの統合は、患者のケア、監視、データ管理に革命をもたらした。
しかし、これらのデバイスの急速な関与は、患者のプライバシーと医療データの整合性に重大な脅威をもたらす情報セキュリティ上の懸念をもたらす。
本稿では、医療アプリケーション内のIoTデバイスにおけるセキュリティ脆弱性に対処し、軽減するために設計された、機械学習(ML)ベースのアーキテクチャを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of Internet of Things (IoT) devices in healthcare applications has revolutionized patient care, monitoring, and data management. The Global IoT in Healthcare Market value is $252.2 Billion in 2023. However, the rapid involvement of these devices brings information security concerns that pose critical threats to patient privacy and the integrity of healthcare data. This paper introduces a novel machine learning (ML) based architecture explicitly designed to address and mitigate security vulnerabilities in IoT devices within healthcare applications. By leveraging advanced convolution ML architecture, the proposed architecture aims to proactively monitor and detect potential threats, ensuring the confidentiality and integrity of sensitive healthcare information while minimizing the cost and increasing the portability specialized for healthcare and emergency environments. The experimental results underscore the accuracy of up to 93.6% for predicting various attacks based on the results demonstrate a zero-day detection accuracy simulated using the CICIoT2023 dataset and reduces the cost by a factor of x10. The significance of our approach is in fortifying the security posture of IoT devices and maintaining a robust implementation of trustful healthcare systems.
- Abstract（参考訳）: 医療アプリケーションにおけるIoT(Internet of Things)デバイスの統合は、患者のケア、監視、データ管理に革命をもたらした。
Global IoT in Healthcare Marketの評価額は2023年で252億ドルである。
しかし、これらのデバイスの急速な関与は、患者のプライバシーと医療データの整合性に重大な脅威をもたらす情報セキュリティ上の懸念をもたらす。
本稿では、医療アプリケーション内のIoTデバイスにおけるセキュリティ脆弱性に対処し、軽減するために設計された、機械学習(ML)ベースのアーキテクチャを紹介する。
先進的な畳み込みMLアーキテクチャを活用することで、提案アーキテクチャは、潜在的な脅威を積極的に監視し、検出し、機密性の高い医療情報の機密性と整合性を確保するとともに、コストを最小化し、医療や緊急環境に特化したポータビリティを高めることを目的としている。
実験結果は、CICIoT2023データセットを用いてシミュレーションしたゼロデイ検出精度を実証し、x10の係数でコストを削減した結果に基づいて、様々な攻撃を予測するための最大93.6%の精度を示している。
このアプローチの重要性は、IoTデバイスのセキュリティ姿勢を強化し、信頼できる医療システムの堅牢な実装を維持することです。
関連論文リスト
- Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems [1.8434042562191815]
インターネット・オブ・メディカル・モノ(IoMT)は、従来の医療境界を超越し、反応性治療から予防への転換を可能にする。
その利点は、処理されたデータの感度と価値のために、ユーザの生活を危険にさらす、重大なセキュリティ上の課題に対処されている。
新しいIDS(Intrusion Detection Systems)フレームワークを導入し、ANN(Artificial Neural Networks)を侵入検知に利用し、FL(Federated Learning)をプライバシ保護に活用する。
論文 参考訳（メタデータ） (2024-03-14T11:57:26Z) - Highlighting the Safety Concerns of Deploying LLMs/VLMs in Robotics [54.57914943017522]
本稿では,大規模言語モデル (LLMs) と視覚言語モデル (VLMs) をロボティクスアプリケーションに統合する際のロバスト性と安全性に関する重要な課題を強調する。
論文 参考訳（メタデータ） (2024-02-15T22:01:45Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Machine Learning for Healthcare-IoT Security: A Review and Risk Mitigation [4.499833362998488]
本稿では、医療用IoTの基礎、プライバシ、マシンラーニングやH-IoTデバイスに関連するデータセキュリティの課題についてレビューする。
この論文は、知覚、ネットワーク、クラウド、アプリケーションなどの医療用IoTレイヤを監視することの重要性をさらに強調する。
論文 参考訳（メタデータ） (2024-01-17T10:55:26Z) - 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) - A Secure Healthcare 5.0 System Based on Blockchain Technology Entangled
with Federated Learning Technique [0.44040106718326594]
セキュリティとプライバシは、IoMT(Internet of Medical Things)業界における重要な懸念事項である。
早期に懸念を特定することで、スマートヘルスケアシステムは長期的なダメージを避けるのに役立つ。
本研究は、ブロックチェーン技術と侵入検知システム(IDS)を活用して、医療5.0に安全な健康モニタリングシステムを構築することを目的とする。
論文 参考訳（メタデータ） (2022-09-16T23:25:42Z) - Survey of Machine Learning Based Intrusion Detection Methods for
Internet of Medical Things [2.223733768286313]
Internet of Medical Things (IoMT) は、モノのインターネット(Internet of Things)の応用である。
このデータのセンシティブでプライベートな性質は、攻撃者にとって重要な関心事であるかもしれない。
ストレージや計算能力に制限のある機器に対する従来のセキュリティ手法の使用は効果がない。
論文 参考訳（メタデータ） (2022-02-19T18:40:55Z) - Edge Intelligence for Empowering IoT-based Healthcare Systems [42.909808437026136]
この記事では、スマートヘルスケアシステムにおけるAIとともに、エッジインテリジェント技術のメリットを強調します。
スマートヘルスケアシステムにおけるAIとエッジ技術の利用を促進するために、新しいスマートヘルスケアモデルが提案されている。
論文 参考訳（メタデータ） (2021-03-22T19:35:06Z) - A Novel Framework for Threat Analysis of Machine Learning-based Smart
Healthcare Systems [2.519906683279153]
機械学習と形式解析機能を統合した新たな脅威分析フレームワークであるSHCheckerを提案します。
私たちは合成データセットと実データセットにSHCheckerを実装し、フレームワークがIoMTシステムにおける潜在的な攻撃ベクトルを明らかにすることができることを確認します。
論文 参考訳（メタデータ） (2021-03-05T04:51:02Z) - I-Health: Leveraging Edge Computing and Blockchain for Epidemic
Management [36.55809341110476]
エピデミックな状況は、厳密な時間制約の中で、異なる場所やエンティティから集中的なデータ収集と管理を要求する。
本稿では, 独自の医療システムにおいて, 多様なeヘルスエンティティを集約することを目的とした, インテリジェントヘルス(Iヘルス)システムを提案する。
特に,早期発見,遠隔監視,迅速な緊急対応が可能な,患者自動監視方式をエッジに設計する。
論文 参考訳（メタデータ） (2020-12-18T23:41:00Z) - COVI White Paper [67.04578448931741]
接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。
カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
論文 参考訳（メタデータ） (2020-05-18T07:40:49Z)
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。