論文の概要: Fusion of Machine Learning and Blockchain-based Privacy-Preserving Approach for Health Care Data in the Internet of Things

• arxiv url: http://arxiv.org/abs/2510.19026v1
• Date: Tue, 21 Oct 2025 19:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.530151
• Title: Fusion of Machine Learning and Blockchain-based Privacy-Preserving Approach for Health Care Data in the Internet of Things
• Title（参考訳）: モノのインターネットにおける医療データのための機械学習とブロックチェーンに基づくプライバシ保護の融合
• Authors: Behnam Rezaei Bezanjani, Seyyed Hamid Ghafouri, Reza Gholamrezaei,
• Abstract要約: IoT(Internet of Things)デバイスの医療分野への迅速な統合は、患者のケアとデータ管理において革命的な進歩をもたらした。 これらの技術革新は、特に潜在的なサイバー脅威に対する医療データの保護において、重要なセキュリティ上の懸念を提起する。 本稿では,IoTベースの医療システムにおけるセキュリティ強化の必要性に対処するために,3つの異なるフェーズを包含する包括的手法を提案する。
• 参考スコア（独自算出の注目度）: 0.5097809301149341
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, the rapid integration of Internet of Things (IoT) devices into the healthcare sector has brought about revolutionary advancements in patient care and data management. While these technological innovations hold immense promise, they concurrently raise critical security concerns, particularly in safeguarding medical data against potential cyber threats. The sensitive nature of health-related information requires robust measures to ensure the confidentiality, integrity, and availability of patient data in IoT-enabled medical environments. Addressing the imperative need for enhanced security in IoT-based healthcare systems, we propose a comprehensive method encompassing three distinct phases. In the first phase, we implement Blockchain-Enabled Request and Transaction Encryption to strengthen data transaction security, providing an immutable and transparent framework. In the second phase, we introduce a Request Pattern Recognition Check that leverages diverse data sources to identify and block potential unauthorized access attempts. Finally, the third phase incorporates Feature Selection and a BiLSTM network to enhance the accuracy and efficiency of intrusion detection using advanced machine learning techniques. We compared the simulation results of the proposed method with three recent related methods: AIBPSF-IoMT, OMLIDS-PBIoT, and AIMMFIDS. The evaluation criteria include detection rate, false alarm rate, precision, recall, and accuracy - crucial benchmarks for assessing the overall performance of intrusion detection systems. Our findings show that the proposed method outperforms existing approaches across all evaluated criteria, demonstrating its effectiveness in improving the security of IoT-based healthcare systems.
• Abstract（参考訳）: 近年,IoT(Internet of Things,モノのインターネット)デバイスの医療分野への急速な統合は,患者のケアとデータ管理に革命的な進歩をもたらした。 これらの技術革新は大きな可能性を秘めているが、特に潜在的なサイバー脅威に対する医療データの保護において、重要なセキュリティ上の懸念を同時に提起している。 健康関連情報の機密性には、IoT対応の医療環境における患者のデータの機密性、完全性、可用性を確保するための堅牢な対策が必要である。 IoTベースの医療システムにおけるセキュリティ強化の必要性に対処し、3つの異なるフェーズを包含する包括的手法を提案する。 第1フェーズでは、データトランザクションのセキュリティを強化し、不変かつ透過的なフレームワークを提供するために、Blockchain-Enabled RequestとTransaction Encryptionを実装します。 第2フェーズでは、さまざまなデータソースを活用して、潜在的に許可されていないアクセスの試みを特定し、ブロックするRequest Pattern Recognition Checkを導入します。 最後に、第3フェーズでは、高度な機械学習技術を用いた侵入検出の精度と効率を高めるために、Feature SelectionとBiLSTMネットワークが組み込まれている。 提案手法のシミュレーション結果を,AIBPSF-IoMT,OMLIDS-PBIoT,AIMMFIDSの3つの関連手法と比較した。 評価基準には、検出率、誤報率、精度、リコール、精度が含まれており、侵入検知システム全体の性能を評価するための重要なベンチマークである。 本手法は,IoTベースの医療システムのセキュリティ向上に有効であることを示すとともに,すべての評価基準において既存手法よりも優れていることを示す。

関連論文リスト

• Privacy-Preserving Healthcare Data in IoT: A Synergistic Approach with Deep Learning and Blockchain [0.5097809301149341]
  医療におけるIoT(Internet of Things)デバイスの統合は、リアルタイム監視、パーソナライズされた治療、効率的なデータ管理を可能にして、患者のケアに革命をもたらした。 従来のセキュリティ対策は、IoT環境がもたらすユニークな課題に対処するには不十分であることが多い。 我々は,IoT対応医療システムのセキュリティと信頼性を高めるために,総合的な3段階セキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-21T12:21:49Z)
• Revisiting Medical Image Retrieval via Knowledge Consolidation [46.6989555659494]
  本稿では,階層的特徴と機能に関する知識を集約する新しい手法を提案する。 本稿では,Depth-aware Representation Fusion (DaRF)とStructure-aware Contrastive Hashing (SCH)を紹介する。 解剖学的放射線学データセットの平均精度は5.6～38.9%向上した。
  論文  参考訳（メタデータ） (2025-03-12T13:16:42Z)
• Revolutionizing Healthcare Record Management: Secure Documentation Storage and Access through Advanced Blockchain Solutions [0.0]
  この研究では、セキュリティ、スケーラビリティ、アクセシビリティを大幅に向上するために設計された、ブロックチェーンベースの新しいEHRシステムを紹介します。 提案システムは、Argon2とAESを組み合わせたハイブリッドセキュリティアルゴリズムを活用し、ハイブリッドストレージとコンセンサス機構を統合する。 MetaMask、Ganache、Truffleといった高度なブロックチェーンツールを使用して、分散ネットワークとのインタラクションを容易にする。
  論文  参考訳（メタデータ） (2025-03-02T05:39:14Z)
• A Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers [37.285731240749904]
  本稿では,FLプロセスの構成,監視,管理を支援するための新しいFLプラットフォームを提案する。 臨床環境に固有の生産感度を考慮し,提案するFLアーキテクチャの安全性を強調した。 このプラットフォームは、公開データセットを使用して、さまざまな運用環境でのテストに成功している。
  論文  参考訳（メタデータ） (2024-10-02T09:24:05Z)
• Automated Phishing Detection Using URLs and Webpages [35.66275851732625]
  LLMエージェントフレームワークの開発により,従来の参照型フィッシング検出の制約に対処する。 このエージェントは、Large Language Modelsを利用して、積極的にオンライン情報を取得し、活用する。 我々の手法は0.945の精度で達成され、既存の解(DynaPhish)を0.445で大幅に上回っている。
  論文  参考訳（メタデータ） (2024-08-03T05:08:27Z)
• Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems [1.3955252961896318]
  インターネット・オブ・メディカル・モノズ(IoMT)は、特に慢性疾患管理において、早期疾患の検出と調整されたケアを促進することで、医療に革命をもたらす。 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。 ニューラルネットワークを利用して侵入検知を行い、フェデレーション学習をプライバシ保護に活用する、侵入検知システムのための新しいフレームワークが導入された。
  論文  参考訳（メタデータ） (2024-03-14T11:57:26Z)
• 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)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)

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。