論文の概要: Securing The Future Of Healthcare: Building A Resilient Defense System For Patient Data Protection
- arxiv url: http://arxiv.org/abs/2407.16170v1
- Date: Tue, 23 Jul 2024 04:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 18:45:39.546589
- Title: Securing The Future Of Healthcare: Building A Resilient Defense System For Patient Data Protection
- Title（参考訳）: 医療の未来を守る:患者データ保護のためのレジリエントな防衛システムの構築
- Authors: Oluomachi Ejiofor, Ahmed Akinsola,
- Abstract要約: この研究は、勾配ボオスティング機械学習モデルを用いて、医療データ漏洩の深刻度を予測する。
その結果、ハッキングとITインシデントは、医療業界で最も一般的なタイプの違反であることがわかった。
モデル評価の結果,勾配向上アルゴリズムは良好に動作することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing importance of data in the healthcare sector has led to a rise in cybercrime targeting patient information. Data breaches pose significant financial and reputational risks to many healthcare organizations including clinics and hospitals. This study aims to propose the ideal approach to developing a defense system that ensures that patient data is protected from the insidious acts of healthcare data threat actors. Using a gradientboosting classifier machine learning model, the study predicts the severity of healthcare data breaches. Secondary data was collected from the U.S. Department of Health and Human Services Portal with key indicators. Also, the study gathers key cyber-security data from Kaggle, which was utilized for the study. The findings revealed that hacking and IT incidents are the most common type of breaches in the healthcare industry, with network servers being targeted in most cases. The model evaluation showed that the gradient boosting algorithm performs well. Therefore, the study recommends that organizations implement comprehensive security protocols, particularly focusing on robust network security to protect servers
- Abstract（参考訳）: 医療分野におけるデータの重要性の高まりは、患者情報を対象としたサイバー犯罪の増加につながっている。
データ漏洩は、診療所や病院を含む多くの医療機関に経済的、評判の高いリスクをもたらす。
本研究は、医療データ脅威アクターの悪行から患者データが保護されることを保証する防衛システムを開発するための理想的なアプローチを提案することを目的とする。
この研究は、勾配ブースティング分類器機械学習モデルを用いて、医療データ漏洩の深刻度を予測する。
二次データは米国保健福祉ポータルから収集され、重要な指標が得られた。
また、この研究はKaggleから重要なサイバーセキュリティデータを収集し、研究に利用した。
その結果、ハッキングとITインシデントが医療業界で最も一般的なタイプの違反であり、ほとんどのケースでネットワークサーバーがターゲットになっていることが明らかになった。
モデル評価の結果,勾配向上アルゴリズムは良好に動作することがわかった。
そのためこの研究は、組織が包括的なセキュリティプロトコルを実装することを推奨しており、特にサーバーを保護するための堅牢なネットワークセキュリティに焦点を当てている。
関連論文リスト
- Model Inversion Attacks: A Survey of Approaches and Countermeasures [59.986922963781]
近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。
この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。
本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
論文 参考訳（メタデータ） (2024-11-15T08:09:28Z) - An Intelligent Quantum Cyber-Security Framework for Healthcare Data Management [4.828148213747833]
本稿では,医療データ管理におけるセキュリティとプライバシの潜在的な問題を克服する,包括的な量子ベースのフレームワークを提案する。
提案したフレームワークは、高度な量子アプローチとより有能な量子アプローチを機械学習とを結合することで、医療データ管理全体を提供する。
提案されたIQ-HDMフレームワークと最先端の手法の実験的評価と比較は、医療データセキュリティに関連するサイバー脅威に対処する上で、67.6%の大幅な改善を概説している。
論文 参考訳（メタデータ） (2024-10-04T08:04:48Z) - Towards AI-enabled Cyber Threat Assessment in the Health Sector [0.0]
このプロジェクトの目的は、医療機関の外部からセキュリティ関連情報を収集するAI対応プラットフォームを導入することである。
このプラットフォームはリスクスコアを提供し、医療機関の意思決定者をサポートし、セキュリティ対策のための投資選択を最適化する。
論文 参考訳（メタデータ） (2024-09-19T13:34:34Z) - 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) - Security and Privacy Issues and Solutions in Federated Learning for
Digital Healthcare [0.0]
フェデレートラーニング(Federated Learning)の幅広い攻撃面に基づいて,脆弱性,攻撃,防御を提示する。
我々は、より堅牢なFLに向けた新しい研究の方向性を期待する。
論文 参考訳（メタデータ） (2024-01-16T16:07:53Z) - White paper on cybersecurity in the healthcare sector. The HEIR solution [1.3717071154980571]
医療記録や財務情報を含む患者データは危険にさらされており、個人情報の盗難や患者の安全上の懸念につながる可能性がある。
HEIRプロジェクトは包括的なサイバーセキュリティアプローチを提供し、さまざまな規制フレームワークからセキュリティ機能を促進する。
これらの対策は、デジタルヘルスのセキュリティを強化し、機密性の高い患者データを保護し、セキュアなデータアクセスとプライバシ認識技術を促進することを目的としている。
論文 参考訳（メタデータ） (2023-10-16T07:27:57Z) - 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) - Graph Mining for Cybersecurity: A Survey [61.505995908021525]
マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。
従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。
グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
論文 参考訳（メタデータ） (2023-04-02T08:43:03Z) - Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks,
and Defenses [150.64470864162556]
この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。
様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
論文 参考訳（メタデータ） (2020-12-18T22:38:47Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳（メタデータ） (2020-12-10T13:56:00Z) - 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。