Kablosuz Giyilebilir Teknlojiler İçin Büyük Veri Analiz Sistemini Koruyan Bir Gizlilik Sensör Ağı

Yazar:

Siber Güvenlik

ÖZET

Büyük veri ve yapay zeka hızla gelişiyor. Birçok alanda büyük veri analizi uygulanmıştır. Bunlardan biri de akıllı sağlık hizmetleridir. Bu durum veriler aktarım sırasında sızdırıldığında veya değiştirildiğinde, hastaların mahremiyeti yalnızca istila etmekle kalmayacak, aynı zamanda hayatlarını tehlikeye atmaktadır. Birçok araştırmacı, şifrelenmiş kişisel sağlık kayıtları kullanmaktadır. Bununla birlikte, derin öğrenme sırasında veri sızıntısı gibi bazı zorluklar vardır. Organizasyon sistemi, eğitim modellerinin ve bazı kullanıcı verilerinin analize sızdırılmasını istemiyor

Derin öğrenmeden yararlanılırken mahremiyetin nasıl korunacağı acil bir konudur. Bu çalışmada, sensörlerden veri toplayarak ve kullanarak, hastalığı ve zamanında alarmları tahmin etmek için bir sistem sunuluyor.

Hasta sağlığı verilerini analiz etmek ve izlemek için derin öğrenme kullanılmıştır. Sağlık verilerinin gizliliğini korumak için, veri sahibinin bazı kullanıcıları iptal etmeyi seçebileceği garantili bir veri silme yaklaşımı benimsenmiştir.

GİRİŞ

Sağlık alanında, büyük veri analizi şu şekilde gelişiyor: kitle verilerinden iç görü sunmak için ileriye dönük bir alan oluşturarak, maliyetleri düşürürken sonuçları kanıtlamak.

Aslında, mevcut hasta izleme, yönetim ve tanı tıbbi personel tarafından manuel olarak yapılmalıdır, ve tıbbi teşhis sistemlerinde insan hatası hala ciddi yanıltıcı tıbbi tedaviye sebep olmaktadır.

Hastanın tedavisinin fiziksel durumunun izlenmesi ve izleme verilerini analiz ederek hastanın olasılığını, hastalık ve alarmı gerçek zamanlı olarak bildirilmesi çözülmesi gerekilen acil bir sorundur.

SAĞLIK VERİLERİNİN TOPLANMASI VE İŞLENMESİ

TEKNİK YOL HARİTASI

1. Aşama

Sensörler, çevrimiçi sinyal işleme yöntemleri ve güvenilir gömülü sistem iletim teknolojilerinin yer aldığı aşamadır.

Aşama

Mahremiyete odaklı olan aşamadır. Şifrelemeyi korumak ve elde edilen verileri güvenilir şekilde işlemeye hazırlamaktır.

3.Aşama

Otomatik hastalık yarılarının gerçek olacağı aşamadır. Hastalardan veya insanlardan toplanan hastalık verileri şifrelenir ve otomatik olarak buluta yüklenir. Daha sonra insanlar doktorların analiz sonuçları hakkında bilgilendirilir. Sonrasında doğrudan hasta olan insanlar için tedavi planlaması yapılabilir.

KATKI

Bu sorunu ele almak için, derinlemesine gizliliği elde ederken kişisel veriler ile bir model eğitmek için öğrenme algoritması tasarlanmıştır.

Garantili bir veri silme algoritması kullanarak, gizliliği koruyan sağlık veri analiz sistemi tasarlanmıştır.

Eğitmek ve analiz etmek için derin öğrenme algoritmasını kullanılmıştır.

Farklı hastaların ihtiyaçlarını karşılamak için, farklı teşhis hizmetleri sunulmuştur. Çevrimiçi öğrenme stratejisini benimsendiği için model her zaman kullanılabilir.

İLGİLİ ÇALIŞMA

Garantili Veri Silme:

Veriler öncelikle şifreli metin olarak şifrelenir ve şifreleme işlemi sırasında ilişkilendirilir.

Eksik yapma, analiz ve kaba kuvvet saldırıları düzenlenir. Şifre çözme anahtarı ve eski şifreli metin, dağıtılmış hash tablosunda (DHT) saklanır.

DHT: Benzer bir arama hizmeti sağlar. Anahtar-değer çiftleri saklanır ve herhangi bir katılımcı anahtar ile düğümde verimli bir şekilde belirli bir ilişkili değer alabilir.

Öznitelik Tabanlı Şifreleme:

Temsil etmek için bir erişim yapısı ağacı kullanan şifreleme şeması yapısın önerilmiş, şifreli metin at-haraç seti ve kullanıcı anahtarı erişim yapısı ile ilişkilendirilir.

Şifreli metin erişim yapısı ağacıyla bağlantılıyken, kullanıcı anahtarı da ayarlanan özellik ile ilişkilendirilmiştir.

Her Modelin Hastalık Teşhisinde Kullanılması

SAE MODELİ

Ön İşleme Eğitim Seti SAE Modelinin Yapısı

CNN ALGORİTMASI

CNN algoritmasında tüm katmanlar birbirine tam olarak bağlantılı şekilde çalışmaktadır. Yer alan katmanlar filtre özelliği görmekte ve boyut ile eğitim süresinde optimizasyon sağlamaktadır.

DBM ALGORİTMASI

Ağın tüm katmanları arasında yönsüz bağlantılara (koşullu bağımsız) sahip bir yöntemdir. Olasılık alt sınırının en yüksek değerini elde edebilmek için kullanmaktadır. Ağ yapısı belirsiz girdiler ile daha sağlam bir sonuç elde etmek için yukarıdan aşağıya doğru geri bildirim sağlamaktadır. Parametrelerin en iyilemesi için kullanılır. Büyük veri setlerinde kullanışlı değildir.

SVM ALGORİTMASI

Support Vector Machine, Logistic Regression ile benzer bir sınıflandırma algoritmasıdır. Her ikisi de iki sınıfı ayıran en iyi çizgiyi bulmaya çalışırlar. Algoritma çizilecek doğrunun iki sınıfında elemanlarına en uzak yerden geçicek şekilde ayarlanmasını sağlar. Hiçbir parametre almayan ( nonparametric) bir sınıflayıcıdır. SVM aynı zamanda doğrusal ve doğrusal olmayan verileride sınıflandırabilir ancak genellikle verileri doğrusal olarak sınıflandırmaya çalışır.

RNN ALGORİTMASI

RNN’lerin arkasındaki fikir sıralı bilgi kullanmaktır. Geleneksel bir sinir ağında tüm girdilerin (ve çıktıların) birbirinden bağımsız olduğunu varsayılır. RNN’ler tekrar tekrar çağrılır, çünkü bir dizinin her elemanı için aynı görevi yaparlar, çıktı önceki hesaplamalara bağlıdır.

TEMEL BİLGİLER

İlk dört bölüm öznitelik tabanlı bir şifreleme şemasına benzer, sonuncu dört bölüm ise, garantili silme algoritması ile ilgilidir.

Kurulum: Rastgele bir genel anahtar oluşturulur.

KeyGen: Ana anahtar, genel anahtar ve erişim yapısı ve bir şifre çözme anahtarı hesaplama yoluyla çıkarılır.

Şifrele: Genel anahtar kümesini, mesaj ve şifreli olarak hesaplanan özellikler belirlenir.

Şifre Çözmek: Girdi genel anahtar, şifreli metin, kanalizasyon anahtar, çıktı mesaj arasındaki ilişkidir.

İstek Silme: Girdi setinde olan niteliklerin dosya içinde silinmek isteniyorsa, bulut öznitelikleri ve çıktıları doğrulayarak alt bölüm için doğrulanmış bilgileri içeren talebi siler.

ReKeyGen: Girişten önce algoritma ve ana anahtar, oluşturmak için güncellenecektir. Veri sahibine yeniden şifreleme anahtarı sağlar.

ReEncrypt: Silmeyi sağlamak için, kök düğümünü güncelleyin ve geri dönüp silme işleminin başarılı olup olmadığını doğrulamak için veri sahibine bakılır.

Doğrula: Güncellenmiş kök düğümü ve kullanıcı verilerini hesaplamak için güncelleme algoritmasını çalıştıracaktır. İki kök düğüm daha sonra karşılaştırılır ve eşitlerse dosya başarıyla silinir.

KULLANILAN SİSTEM

LSTM

LSTM özel bir RNN Algoritmasıdır.

Dizi dizi veri işlemek için kullanılır.

Kendi kendine sirkülasyonun ağırlığına üç eşik eklenerek değiştirilebilir: giriş kapısı, çıkış kapısı ve kapıyı unutarak.

ÖNERİLEN SİSTEM

Sunulan sistemde sensörler kişisel sağlık verilerini toplamak için kullanılır ve asistan düğüm, hastaların verilerini şifrelemek için kullanılır. Daha sonra bir bulut sunucusunu yüklenir. Hastaların verileri tanımlanır ve veri analizi için derin öğrenme algoritmaları ile şifrelenir.

SİSTEM AÇIKLAMASI

Veri Şifreleme:

Vücut sensörü izleme verilerini asistana koyar.

Hastaların verilerine göre şifrelenir.

Asistan bir düğüm kökü oluşturur, buna göre bir imza oluşturur.

Veri sahibi tarafından sağlanan özel anahtara benzersiz bir ad verir ve bir etiket oluşturur.

Son olarak, yardımcı düğümler, hesaplanan sonuçlar bulutta depolanır.

Veri Analizi ve Erken Uyarı:

Veri eğitimi bölümünde, bulut deposundan gelen bilgiler esas olarak öğrenme için kullanılır, öğrenme modelleri oluşturarak, hastaların olası hastalıklarını tespit etmek ve olasılıkları uyarmak için kullanılır.

Bulutta depolanan şifreli metin ilk önce yüksek özellikleri şifre çözmeyi sağlayan performans sunucusu tarafından yapılır. Verilerin şifresi yüksek performanslı bir sunucu kümesinde çözülür.

Sağlık personeli zamanında tedavi de tahmin edilen sonuçları veya alarm sonuçlarını aldıktan sonra meydana gelen değişiklikler ile hareket eder.

DENEY KURULUMU VE SONUÇLAR

VERİ KÜMESİ

4 farklı hastadan alınan birkaç günlük kan şekeri ölçümleri.

Model için kök ortalama kare hatasını göstermektedir. Ortalama kare hata kayıp fonksiyonu ile eğitildiğinde ve negatif log olasılık kaybı işlevi ele alındığında sonuç içinde eğitilen model, kayıp işlevi, veri kümemizde daha iyi performans gösterir.

DENEY KURULUMU VE SONUÇLAR

HİPERPARAMETRE SEÇİMİ

Farklı hiperparametreleri olan iki hastanın RMSE(ortalama karekök sapması) skoru.

MODEL SEÇİMİ

LSTM modelinde farklı hiperparametreleri olan farklı hastaların RMSE skoru.

SONUÇ

Verilerin silinmesini sağlamak önemli ama zorlu bir sorundur.

Bir hastalık tahmini ve zamanında veri toplamak için alarm sistemi önerildi.

Bilgisayarı izlemek ve analiz etmek için yapay zeka kullanıldı.

Ayrıntılı erişim sağlar ve hasta sağlık verilerini yüklediğinde doğrulanabilir silme için talepler işlenirken gizlilik endişeleri dikkate alınır.

Hastaların tıbbi bilgilerine erişim. Ayrıca, kan şekerini tahmin etmek için iki tür RNN test edildi.

Teşhis doğruluğu artık tek hedef değildir ve seçim hastaya bırakılmıştır.

Güvenlik, verimlilik, esneklik ve kullanılabilirlik arasında denge dikkate alınması gerekiyor.

Blockchain, paylaşmanın, dağıtmanın ve verilerin şifrelenmesi büyük önem taşır. Sağlık veri yönetiminde sorunu çözmek için blockchain kullanma olasılığını keşfedecek bir teknoloji geliştirilebilir.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir