Ein gemischtes Deep-Learning-Überwachungssystem für die konsumierbare, edge-zentrierte IoMT-Industrie

Die Nachfrage nach medizinischen Sensoren im Smart Healthcare System (SHS) schafft ein intelligentes Internet der medizinischen Dinge (IoMT). Dieses System spielt eine wichtige Rolle bei der Erkennung der vitalen Parameter des menschlichen Körpers. Allerdings sind aufgrund der Datenübertragung und des Mangels an Kontrolle über die Daten Sicherheits- und Datenschutzprobleme in Bezug auf die Netzwerksicherheit aufgetreten. Das Intrusion Detection System (IDS) ist eine der Sicherheitslösungen, um verschiedene Bedrohungen und Schwachstellen in der konsumierbaren, edge-zentrierten IoMT-Industrie zu identifizieren. In den letzten Jahren wurden mehrere IDS-Techniken entwickelt. Dennoch wird ein Echtzeit-Angriffsüberwachungssystem in der edge-zentrierten IoMT-Industrie benötigt. Dieses Papier schlägt ein gemischtes Deep-Learning-Framework vor, das die Stärken und Fähigkeiten verschiedener Deep-Learning-Architekturen nutzt. Das vorgeschlagene Modell kombiniert Convolutional Neural Network (CNN) und Long Short-Term Memory (LSTM), um die neuesten Eindringlinge genau zu erkennen und die Gesundheitsdaten zu schützen. Das Hauptziel des vorgeschlagenen Frameworks besteht darin, verschiedene Angriffe während der Datenübertragung am Netzwerkrand mit hoher Genauigkeit und Effizienz zu erkennen. Das vorgeschlagene Modell wurde anhand des systematischen Datensatzes CSE-CIC-IDS 2018 analysiert, der zwei unterschiedliche Klassen von Profilen enthält. Die experimentellen Ergebnisse zeigen, dass die Genauigkeit des vorgeschlagenen Frameworks höher ist als die bestehender Ansätze.