Détection d’intrusion basé sur l’apprentissage fédéré dans l’internet des objets médicaux

Abstract

L’internet des objets médicaux est un ensemble de dispositifs médicaux et d’applications qui se connectent aux système de santé via Internet afin de partager des données sensibles, cela aident l’industrie de santé à avoir de meilleurs contacts et soins envers leurs patients, l’inconvénient de cette technologie réside dans la confidentialité et la sécurité des données, les cyberattaques dans le secteur de la santé ont accéléré au cours des dernières années à cause de l’augmentation du nombre des utilisateurs de l’IoMT dû à l’élévation des patients souffrant de maladies chroniques et des épidémies. De ce fait, dans de nombreux travaux, la sécurisation des applications et des données de santé attire l’attention des chercheurs. L’objectif principal de cette recherche est de développer un système robuste et efficace qui répond aux exigences de sécurité dans l’espace de la santé connectée. Plus précisément, nous développons un mécanisme de détection d’attaque fédéré dans les dispositifs de santé connectés en utilisant un système de détection d’intrusion basé sur l’apprentissage profond (DL) afin de classifier les attaques et améliorer la sécurité de l’IoMT grâce à sa capacité à détecter les attaques zero-day et les nouvelles attaques, et aussi éviter le transfert des données privés entre les périphériques grâce à l’adoption de l’approche de FL . Nos résultats expérimentaux démontrent que notre approche a atteint une précision intéressante, avec un taux d’Accuracy égale a 98% en utilisent UNSW-NB15 comme jeux de données. mot clés : iomt, Apprentissage Fédéré, Apprentissage Profond, Système de Détection d’Intrusion.