یادگیری فدرال مبتنی بر هوش مصنوعی در امنیت اینترنت اشیای پزشکی: مروری انتقادی بر معماری‌ها، تهدیدها و اعتماد مبتنی بر بلاکچین

یادگیری فدرال مبتنی بر هوش مصنوعی در امنیت اینترنت اشیای پزشکی: مروری انتقادی بر معماری‌ها، تهدیدها و اعتماد مبتنی بر بلاکچین

محمد متین حق پژوه1 رومینا شکوهی نیاکی2

1) دانشجوی کارشناسی مهندسی کامپیوتر،دانشگاه آزاد اسلامی واحد تهران
2) دانشجوی کارشناسی مهندسی کامپوتر، دانشگاه آزاد اسلامی واحد تهران

کد IOI مقاله : AAHD-ACZBAE
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    اینترنت اشیاء پزشکی (IoMT) به یکی از ارکان اصلی مراقبت‌های بهداشتی مدرن تبدیل شده و با فراهم کردن پایش مداوم بیماران، امکان تصمیم‌گیری بالینی بر اساس داده‌های لحظه‌ای را فراهم کرده است. با این حال، گسترش سریع دستگاه‌های پزشکی متصل، سطح حمله را افزایش داده و خطرات جدی برای ایمنی بیماران ایجاد کرده است. اگرچه هوش مصنوعی قابلیت‌های قدرتمندی برای شناسایی و مقابله با تهدیدات سایبری ارائه می‌دهد، رویکردهای متمرکز سنتی اغلب نیازمند جمع‌آوری و پردازش داده‌های حساس بیماران هستند و در نتیجه همان ریسک‌های حریم خصوصی را که قصد حل آن‌ها را دارند، دوباره ایجاد می‌کنند. یادگیری فدرال با امکان آموزش مشترک مدل بدون انتقال داده خام، این محدودیت را برطرف می‌کند؛ اما همچنان در برابر به‌روزرسانی‌های مخرب یا مسموم از سوی شرکت‌کنندگان غیرقابل‌اعتماد آسیب‌پذیر است و چالش‌های اعتماد و پاسخگویی در آن حل‌نشده باقی مانده است. بلاک‌چین نیز به‌عنوان سازوکاری برای ایجاد اعتماد غیرمتمرکز و افزایش قابلیت حسابرسی در محیط‌های فدرال پیشنهاد شده، هرچند شواهد مربوط به مقیاس‌پذیری و امکان‌پذیری عملی آن در محیط‌های واقعی مراقبت‌های بهداشتی هنوز محدود است. این مقاله چشم‌انداز فعلی راه‌حل‌های امنیتی در تقاطع هوش مصنوعی، یادگیری فدرال، بلاک‌چین و IoMT را به‌طور انتقادی بررسی می‌کند. با اتکا به مجموعه‌ای از پژوهش‌های اخیر، چشم‌انداز تهدیدات IoMT را در ابعاد شبکه، مدل و حریم خصوصی ترسیم کرده، رویکردهای مبتنی بر هوش مصنوعی، فدرال و بلاک‌چین را مقایسه می‌کند و یافته‌ها را در معیارهای فنی کلیدی شامل پوشش تهدید، قابلیت تشخیص، حفاظت از حریم خصوصی، مدیریت اعتماد، کارایی ارتباطی، مقیاس‌پذیری و امکان استقرار عملی جمع‌بندی می‌نماید. تحلیل‌ها سه شکاف پایدار را نشان می‌دهد: شیوه‌های گزارش‌دهی ناهمگون، مجموعه‌داده‌های پراکنده و ناهمگن، و تنش حل‌نشده میان ادعای کارایی بلاک‌چین و شواهد تجربی محدود در مورد مقیاس‌پذیری آن در محیط‌های واقعی بالینی. به‌ویژه، هیچ مطالعه‌ای تاکنون هوش مصنوعی، یادگیری فدرال و بلاک‌چین را به‌صورت مشترک و تحت شرایط استانداردی که نمایانگر محیط واقعی بیمارستان باشد، ارزیابی نکرده است. بر اساس این یافته‌ها، مقاله دستورکاری پژوهشی را پیشنهاد می‌کند که بر اعتبارسنجی مقیاس‌پذیری در دنیای واقعی، استانداردسازی حریم خصوصی منطبق با مقررات، معماری‌های یکپارچه با ۶G، توضیح‌پذیری پیش‌فرض و یادگیری فدرال مقاوم در برابر محاسبات کوانتومی متمرکز است تا راه‌حل‌های امنیتی IoMT را از نظر فنی قوی، قابل‌اعتماد، مقیاس‌پذیر و بیمارمحور پیش ببرد.

کلمات کلیدی : اینترنت اشیای پزشکی (iomt) یادگیری فدرال هوش مصنوعی بلاکچین تشخیص نفوذ یادگیری ماشین حافظ حریم خصوصی