Modélisation de la Détection d'Intrusion Assistée par Blockchain sur un Système de Santé IoT Utilisant l'Optimiseur Ant Lion avec Apprentissage Profonde Hybride

Un système de santé IoT fait référence à l'utilisation des dispositifs et technologies Internet des Objets (IoT) dans l'industrie de la santé. Il implique l'intégration de divers dispositifs, capteurs et systèmes interconnectés pour collecter, surveiller et transmettre des données liées à la santé à des fins médicales. La détection d'intrusion assistée par blockchain sur les systèmes de santé IoT est une approche innovante pour améliorer la sécurité et la confidentialité des données médicales sensibles. En combinant la nature décentralisée et immuable de la technologie blockchain avec les systèmes de détection d'intrusion (IDS), il est possible de créer un cadre de sécurité plus robuste et fiable pour les systèmes de santé IoT. Avec cette motivation, cette étude présente un Système de Santé IoT Assisté par Blockchain utilisant l'Optimiseur Ant Lion avec Apprentissage Profonde Hybride (BHS-ALOHDL). La technique BHS-ALOHDL présentée permet aux dispositifs IoT dans le secteur de la santé de transmettre des données médicales de manière sécurisée et de détecter les intrusions dans le système. Pour ce faire, la technique BHS-ALOHDL effectue une sélection de sous-ensembles de caractéristiques basée sur ALO (ALO-FSS) pour produire une série de vecteurs de caractéristiques. Le modèle HDL intègre des caractéristiques de réseau neuronal convolutif (CNN) et un modèle de mémoire à court et long terme (LSTM) pour la détection d'intrusions. Enfin, l'algorithme de pollinisation des fleurs (FPA) est exploité pour le réglage optimal des hyperparamètres de l'approche HDL, ce qui apporte un taux de détection amélioré. Le résultat expérimental du système BHS-ALOHDL a été testé sur deux ensembles de données de référence et les résultats indiquent la performance prometteuse de la technique BHS-ALOHDL par rapport à d'autres modèles.