دانلود پایان نامه تحلیل تهدیدات حریم خصوصی در اینترنت اشیای پزشکی با یادگیری ماشین

1. مقدمه 2. پیشینه و کارهای مرتبط 3. مدل ها و مقدمات 4. شناسایی ادوات و فعالیت ها با استفاده از طبقه بندی کننده های یادگیری ماشین 5. دفاع در برابر حملات حریم خصوصی مبتنی بر یادگیری ماشین 6. نتیجه گیری و کارهای آتی

چکیده – بازار رو به رشد «اینترنت اشیای پزشکی» (IoMT)، نوید آسایش بیشتر برای مصرف کنندگان را می دهد اما در عین حال چالش های جدیدی برای حفظ حریم خصوصی مصرف کنندگان بوجود می آورد. اکثر ادوات IoMT، حسگرهایی دارند که فعالیت های کاربران را همیشه دنبال و پیگیری می کنند و اطلاعات مربوط به این فعالیت ها را برروی اینترنت ارسال می کنند. در این پایان نامه، نشان می دهیم که طرح های یادگیری ماشینی را می توان بوسیله یک «ارائه خدمات اینترنت» (ISP) بکار گرفت، یا یک حمله عمدی برای استنباط نام/نوع دستگاه و فعالیت های کاربر حساس به حریم خصوصی با تحلیل ترافیک اینترنت تولید شده از ادوات IoMT موجود در بازار، صورت می گیرد حتی اگر آن ادوات از رمزنگاری لایه انتقال انتها به انتها، استفاده کنند. برای حفاظت بیشتر از حریم خصوصی کاربران ادوات IoMT، یک طرح شکل دهی ترافیک را پیشنهاد کردیم. آزمایش های ما نشان دادند که شکل دهی ترافیک به میزان قابل توجهی توانایی مهاجم به شناسایی دقیق ادوات تحت تملک کاربران یا آشکارسازی فعالیت ها/تعاملات واقعی کاربر را کاهش می دهد. بنابراین، می تواند بطور موثر و عملی، بسیاری از ریسک های حریم خصوصی مرتبط با ادوات IoMT را برطرف کند.

The growing market for Internet of Medical Things (IoMT) promises new conveniences for consumers while presenting new challenges for preserving consumers’ privacy. Most of the IoMT devices have sensors that keep capturing users’ activities and transmit information about these activities on the internet. In this thesis, we demonstrate that machine learning schemes could be employed by an Internet Service Provider (ISP) or an intentional attack to infer device name/ type and privacy sensitive user activities by analyzing internet traffic generated from commercially-available IoMT devices, even though those devices use end-to-end transport-layer encryption. To better protect the privacy of IoMT device users, we proposed a traffic shaping scheme. Our experiments showed that traffic shaping significantly reduces an adversary’s ability to accurately identify devices owned by users or detect genuine user activities/interactions. Hence, it can effectively and practically mitigate many privacy risks associated with IoMT devices.