دانلود ترجمه مقاله امنیت و حریم خصوصی اینترنت اشیای پزشکی با یادگیری عمیق

1. مقدمه 2. تامین امنیت و حفظ حریم خصوصی با تکیه بر یادگیری عمیق (DL) 3. بحث و بررسی و جهت گیری های آینده 4. نتیجه گیری

چکیده – اینترنت اشیای پزشکی (IoMT) نوعی از سیستم‌های اینترنت اشیاء (IoT) است که در حوزه مراقبت‌های بهداشتی به کار می‌رود. امروزه تعداد زیادی از دستگاه‌های هوشمند پوشیدنی، چه تجاری و چه بالینی، وجود دارند که می‌توانند علائم حیاتی را جمع‌آوری کرده و داده‌های جمع‌آوری‌شده را برای تجزیه و تحلیل بیشتر به سرورهای راه دور ارسال کنند. پایش بیماران از راه دور، تشخیص هوشمند و کنترل خودکار بیماری‌های مزمن، نمونه‌هایی از خدمات مختلف مراقبت‌های بهداشتی است که این سیستم‌ها می‌توانند با هزینه‌ای کمتر و کارایی بالاتری نسبت به روش‌های سنتی مراقبت‌های بهداشتی ارائه دهند. با این حال، از آنجایی که داده‌های مربوط به وضعیت سلامت بیماران و سابقه درمان آن‌ها که در این سیستم‌ها منتقل می‌شوند، بسیار محرمانه و خصوصی هستند، نگرانی‌های امنیتی و حفظ حریم خصوصی در پذیرش گسترده آن‌ها ممکن است به وجود بیاید. الگوریتم‌های یادگیری عمیق (DL) با توانایی خود در استخراج دانش از داده‌های عظیمی که در این سیستم‌ها تولید می‌شود، می‌توانند برای طراحی مکانیسم‌های امنیتی هوشمند مورد استفاده قرار گیرند. در این تحقیق، مقالات اخیر در مورد چارچوب‌های تأمین امنیت و حریم خصوصی مبتنی بر یادگیری عمیق در سیستم‌های IoMT دسته‌بندی و با توجه به سهم اصلی آن‌ها خلاصه شده است. در نهایت، برخی از جهت‌گیری‌های احتمالی آینده برای کمک به محققان علاقه‌مند برای ادامه تحقیق در این حوزه معرفی می‌شوند.

Internet of Medical Things (IoMT) are a kind of Internet of Things (IoT) systems which are used in the healthcare domain. Nowadays, there are an abundance of wearable smart devices, either commercial or clinical, which can be used to collect vital signs and transmit the collected data to remote servers for further analysis. Remote patient monitoring, smart diagnostics, and autonomous control of chronic diseases are examples of different healthcare services that can be provided by these systems at a lower cost and higher efficiency compared to traditional healthcare settings. However, as data related to patients’ health status and treatment history, transmitted in these systems, are highly confidential and private, security and privacy concerns in their widespread adoption may arise. Deap Learning (DL) algorithms, with their ability in extracting knowledge from big data generated in these systems, can be leveraged to design smart security mechanisms. In this survey study, the recent literature on the DL-assisted security and privacy provisioning frameworks in IoMT systems are categorized and summarized with respect to their main contributions. Finally, some possible future directions are introduced to assist interested researchers to continue research in this domain.