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.

جنبه های نوآوری این پایان نامه شامل موارد زیر می باشند:

• ردیابی دستگاه و شناسایی رویداد/فعالیت ادوات IoMT مبتنی بر یادگیری ماشین ارائه شده است. روش پیشنهادی از داده های بین لایه ای شامل شبکه، لینک داده ها، انتقال (ترانسپورت) و کاربرد (اپلیکیشن) استفاده می کند. برای مقاوم سازی الگوریتم های دسته بندی، 5 ویژگی برتر برای آموزش دسته بندی کننده شناسایی شده اند.
• آزمایش های تجربی گسترده ای برای نوع دستگاه مبتنی بر یادگیری ماشین پیشنهادی در این پایان نامه و روش شناسایی رویداد/فعالیت برای نشان دادن عملکرد انواع دسته کننده های یادگیری ماشین انجام شده که شامل این موارد می باشند: k نزدیکترین همسایه ها (KNN)، جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، دسته بندی کننده تقویت گرادیانی (GBC) و بیزی ساده گاوسی (GNB). آزمایشهای تجربی در این تحقیق نشان داده اند که «K نزدیکترین همسایه» (KNN) عملکرد بهتری نسبت به چهار دسته بندی کننده دیگر دارد.
• رویدادهای دستگاه یا فعالیت های کاربر که نرخ/الگوی ترافیک مشابه دارند را نمی توان بوسیله روش های مشاهده نرخ ترافیک، از هم متمایز نمود. یک دسته بندی کننده توسعه یافته که قادر به متمایز سازی رویدادها/فعالیت ها از رویدادها/فعالیت های دیگر است.
• یک طرح شکل دهی ترافیک در این تحقیق پیاده سازی شده تا اطلاعات حریم خصوصی نمایان شده توسط ردهای نرخ ترافیک و متاداده های آنها، غیر شفاف سازی شوند. شبیه سازی هایی بر روی طرح شکل دهی ترافیک انجام شده و اثربخشی آن ها از طریق یک دقت شناسایی بسیار کاهش یافته در مقایسه با موارد بدون دفاع، نشان داده شده است.

این پایان نامه در 46 صفحه به صورت فایل ورد (WORD) قابل ویرایش و PDF تهیه شده و در ادامه نیز صفحه شماره 39 آن به عنوان نمونه قرار داده شده است: