Federated Transfer Learning-Based IDS for the Internet of Medical Things (IoMT)
Notice bibliographique
Résumé
The Internet of Medical Things (IoMT) is a set of medical devices and applications that connect to healthcare systems through the Internet. Those devices are equipped with communication technologies that allow them to communicate with each other and the Internet. Reliance on the IoMT is increasing with the increase in epidemics and chronic diseases such as COVID-19 and diabetes; with the increase in the number of IoMT users and the need for electronic data sharing and virtual services, cyberattacks in the healthcare sector for accessing confidential patient data has been increasing in the recent years. The healthcare applications and their infrastructures have special requirements for handling sensitive users’ data and the need for high availability. Therefore, securing healthcare applications and data has attracted special attention from both industry and researchers. In this paper, we propose a Federated Transfer Learning-based Intrusion Detection System (IDS) to secure the patient’s healthcare-connected devices. The model uses Deep Neural Network (DNN) algorithm for training the network and transferring the knowledge from the connected edge models to build an aggregated global model and customizing it for each one of the connected edge devices without exposing data privacy. CICIDS2017 dataset has been used to evaluate the performance in terms of accuracy, detection rate, and average training time. In addition to preserving data privacy of edge devices and achieving better performance, our comparison indicates that the proposed model can be generalized better and learns incrementally compared to other baseline ML/DL algorithms used in the traditional centralized learning schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,020 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».