Advancing security and privacy measures in telehealth IoT/Fog/Cloud ecosystems
Notice bibliographique
Résumé
Background: As Telehealth becomes integral to modern healthcare, ensuring the security and privacy of patient data in remote monitoring scenarios is paramount. This paper presents an advanced security and privacy model designed to safeguard Telehealth systems, addressing the evolving threats in the interconnected landscape of IoT, Fog, and Cloud. Purpose: The purpose of this research is to evaluate the effectiveness of the proposed security and privacy model in real-world Telehealth scenarios through a comprehensive simulation study. The model integrates encryption, key management, intrusion detection, and privacy- preserving measures to establish end-to-end protection for patient data. Methods: A simulation study is conducted, focusing on many distinct threat scenarios: unauthorized access, physical security breaches at Fog nodes, and cloud server data breaches, etc. Each scenario involves a detailed setup of the Telehealth ecosystem, simulation of threats, and assessment of the security model's components. Key metrics, including detection rates, response times, and mitigation effectiveness, are recorded. Results: The simulation results reveal the model's success in detecting and responding to unauthorized access attempts and cloud server breaches, with notable strengths in encryption and intrusion detection systems. However, challenges are identified in physical security measures and the prevention of insider threats, indicating areas for refinement. Conclusion: In conclusion, the proposed security and privacy model demonstrates efficacy in securing patient data across Telehealth IoT/Fog/Cloud systems. The results underscore the dynamic nature of security challenges, emphasizing the need for continuous refinement. The model provides a foundation for adaptive security frameworks, ensuring resilience against emerging threats in the evolving landscape of healthcare technology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».