Advancing IoMT Security with Privacy-Preserving Federated Learning Techniques
Notice bibliographique
Résumé
The rapid expansion of the Internet of Medical Things (IoM$T$) has improved the healthcare system by enabling real-time patient monitoring, diagnosis, and treatment through connected devices. However, these advancements introduce secu-rity risks, making Intrusion Detection Systems (IDS) essential for detecting and mitigating cyber threats. Traditional IDS solutions rely on centralized machine learning (ML) models, which require transferring sensitive patient data to a central server. This raises privacy concerns and poses challenges in handling large-scale data efficiently. To address these issues, this paper proposes a novel Federated Learning (FL) framework that enhances IoMT security while preserving data privacy. Our approach integrates Local Differential Privacy (LDP) to protect individual data points and employs a Neural Oblivious Decision Ensembles (NODE) model, optimized for tabular IoMT data. We utilize Federated Averaging (FedAvg) as the primary aggregation algorithm and benchmark it against FedAvgM, FedAdam, and FedAdagrad using the Flower FL framework. The framework was evaluated on state-of-the-art datasets for real-world IoMT attack scenarios: the IoMT-TrafficData dataset was used for training, and the CICIoMT2024 dataset was used for inference, facilitating the multiclass classification of various attack types. Our results indicate that our approach achieves high efficiency and strong generalization capabilities across diverse IoM$T$attack scenarios.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».