سامانه همایش ها

صفحه اصلی / دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین و دومین کنفرانس ملی علم داده در کاربردهای مهندسی

حفظ حریم خصوصی داده‌ها در اینترنت اشیای پزشکی (IoMT) با استفاده از یادگیری فدرال (Federated Learning) در معماری مه

نویسندگان :

سالار لطفی آقجه¹ نازنین خاکسبز² نیلوفر رنجبر³

1- دانشگاه خلیج فارس 2- دانشگاه خلیج فارس 3- دانشگاه خلیج فارس

کلمات کلیدی :

اینترنت اشیای پزشکی (IoMT)،حریم خصوصی داده،یادگیری فدرال،محاسبات مه،امنیت سایبری،مراقبت‌های بهداشتی هوشمند

چکیده :

اینترنت اشیای پزشکی (IoMT) با جمع‌آوری و تحلیل داده‌های سلامتی بیماران، انقلابی در حوزه مراقبت‌های بهداشتی ایجاد کرده است. با این حال، ماهیت حساس این داده‌ها، نگرانی‌های جدی در مورد حریم خصوصی را به همراه داشته است. ارسال حجم عظیمی از داده‌های خام پزشکی به سرورهای مرکزی ابری، خطر نشت اطلاعات و سوءاستفاده را به شدت افزایش می‌دهد. در این مقاله، به بررسی یک رویکرد نوین برای حل این چالش، یعنی استفاده از یادگیری فدرال (Federated Learning) در یک معماری مه (Fog Computing)، پرداخته می‌شود. یادگیری فدرال این امکان را فراهم می‌کند که مدل‌های هوش مصنوعی به صورت محلی بر روی دستگاه‌های لبه (مانند سنسورهای پوشیدنی) و یا گره‌های مه آموزش ببینند، بدون آنکه داده‌های خام از دستگاه مبدأ خارج شوند. تنها پارامترها و به‌روزرسانی‌های مدل به سرور مرکزی ارسال می‌گردد که این امر به طور قابل توجهی به حفظ حریم خصوصی کمک می‌کند. معماری مه نیز با قرار گرفتن بین دستگاه‌های IoMT و ابر، پردازش‌های اولیه و تجمیع مدل‌ها را در نزدیکی منبع تولید داده انجام می‌دهد، که این خود باعث کاهش تأخیر، بهینه‌سازی مصرف پهنای باند و افزایش یک لایه امنیتی دیگر می‌شود. در این مقاله مروری، ضمن تشریح مفاهیم کلیدی، به بررسی چالش‌ها، مزایا و معماری‌های مختلف ترکیب یادگیری فدرال و محاسبات مه برای حفظ حریم خصوصی در اکوسیستم IoMT پرداخته و راهکارهای موجود در این زمینه را مورد تجزیه و تحلیل قرار می‌دهیم.