Enhanced security and privacy in IoMT: a hierarchical federated learning approach using Dew-Cloud with HLSTM for hostile attack mitigation
Notice bibliographique
Résumé
Due to the coronavirus pandemic, doctors have had to treat patients remotely while medical facilities are overwhelmed. Also, as a result of COVID-19, people are far more concerned about their health, which has increased demand for internet-connected medical devices. Because of its incredible growth in value, the internet of medical things (IoMT) has caught the attention of cybercriminals. Many people's private health data and other very sensitive documents are safe on the dark web. Regardless, the trespassers were able to take advantage of the patient's health information because it was not adequately protected. The system administrator cannot tighten security since resource-constrained network devices do not have enough space or processing power. The primary objective is to study the expanding hostile attacks before they jeopardize the health system's security, while there are several supervised and unsupervised machine learning techniques that can detect outliers. This study's methodology utilizes Dew-Cloud to provide hierarchical federated learning (HFL). More availability of critical IoMT application(s) and enhanced data privacy are two advantages of the proposed Dew-Cloud idea. The hierarchical LSTM (long short-term memory) concept is used by distributed Dew servers that employ cloud computing for their backend implementation. Training the proposed model with the data pre-processing feature results in a low loss of 0.034 and a high accuracy of 99.31%. The suggested HFL-HLSTM model surpasses other methods in a number of performance parameters, such as f-score, recall, accuracy, and precision.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,012 |
| 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 ».