PriFed-IDS: A Privacy-Preserving Federated Reinforcement Learning Framework for Secure and Intelligent Intrusion Detection in Digital Health Systems
Notice bibliographique
Résumé
The Internet of Medical Things (IoMT) integrates sensors, medical devices, and Internet of Things (IoT) technologies to provide data-driven healthcare systems. The systems facilitate medical monitoring and decision-making; however, there are significant concerns about data leakage and patient consent. Additionally, a shortage of large, high-quality IoMT datasets to study the surrounding issues is problematic. Federated learning (FL) is a decentralized machine learning approach that potentially offers substantial amounts of capacity, so that compound Smart Healthcare Systems (SHSs) can further personalize and contextualize the secrecy of data and strong system structures. Additionally, to protect against advanced and shifting computational intelligence-based cyber threats, especially in operational health environments, the use of Intruder Detection Systems (IDSs) is quite essential. However, traditional approaches to implementing IDSs are usually computationally costly and inappropriate for the narrow contours of deploying medical IoT devices. To address these challenges, the proposed study introduces PriFed-IDS, a novel, privacy-preserving FL-based IDS framework based on FL and reinforcement learning. The proposed model leverages reinforcement learning to uncover latent patterns in medical data, enabling accurate anomaly detection. A dynamic federation and aggregation strategy is implemented to optimize model performance while minimizing communication overhead by adaptively engaging clients in the training process. Experimental evaluations and theoretical analysis demonstrate that PriFed-IDS significantly outperforms existing benchmark IDS models in terms of detection accuracy and efficiency, underscoring its practical applicability for securing real-world IoMT networks.
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 | 0,001 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,005 | 0,021 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».