文摘

家庭、医生和医院环境中使用远程病人远程监控(RPM)技术来监测病人的生命体征,减少访问时间,降低医院的成本,并改善医疗服务的质量。物联网的医疗(IoMT)是由应用程序提供远程访问病人的生理数据。互联网医疗的事情(IoMT)工具主要有用户界面、生物传感器和网络连接。因此,它可以记录,传输,存储和处理医疗数据在短时间内通过整合IoMT计算与数据通信基础设施优势。(边缘计算是分布式计算模式,计算和数据存储更接近数据的来源。这将提高响应时间和节省带宽。一个常见的误解是,边缘和物联网是同义词。)但是,这种方法面临安全问题和侵入用户的机密的医疗数据。因此,本研究提出了一个安全解决方案,以用于计算的物联网基础设施优势。在拟议的方法中,首先执行聚类过程有效地使用信息的特点和用户的利益。 Then, the people in each cluster evaluated by using edge computing and people with higher scores are considered as influential people in their cluster, and since users with high user interaction can publish information on a large scale, it can be concluded that, by increasing user interaction, information can be disseminated on a larger scale without any intrusion and thus in a safe way in the network. In the proposed method, the average of user interactions and user scores are used as a criterion for identifying influential people in each cluster. If there is a desired number of people who are considered to start disseminating information, it is possible to select people in each cluster with a higher degree of influence to start disseminating information. According to the research results, the accuracy has increased by 0.2 and more information is published in the proposed method than the previous methods.

1。介绍

物联网是一个新的概念在信息和通信技术;事实上,它是一个现代技术,能够发送和接收数据通过通信网络、互联网或局域网是否对任何实体(1]。智能设备是一个新兴的所有部分类别称为物联网,或简称为物联网。在基本层面上,物联网涉及通过互联网连接不同的对象和相互通信,以实现其目标提供一个更有效的和智能的经验。

同时,改善健康的终极目标被认为是经济、社会、和技术进步,人口快速增长和老龄化会显著改变世界。这些因素给食品供应商很多压力和卫生系统在世界各地,和新物联网技术的发展将提供适当的和潜在的解决这些挑战。因此,物联网的使用对健康当然可以有效地战略研究路线图在医学和物联网的使用。如今,各种可穿戴设备的出现,使得人们通过互联网而随时随地监控他们的健康医疗的事情(IoMT) [2]。因此,IoT-based可穿戴设备将成为人类健康的一个关键部分在不久的将来。IoMT不仅可以监测人体生理信息通过可穿戴设备还可以发送结果信息远程监控中心或家庭医生,甚至产生紧急警报。应该注意的是,IoMT可以帮助医生通过推荐系统提出治疗方案。

这种方法可以显著降低体检的时间,提高诊断效率,节省人力资源3]。但现在,这是不切实际的从可穿戴设备传输信息(创建)云基础设施(加工)的地方因为围绕云计算设计的处理方法结果在高物联网设备之间通信延迟和减少数据传输速率和物联网设备与潜在用户。

为了之前完成既定目标,边缘计算最近提出的概念,这使得它可以处理物联网服务过程数据数据源和数据汇附近,而不是从事云计算(4]。这个解决方案可以减少通信延迟,使更好地利用计算、存储和网络资源,目前可用的。它还可以减少运行时和功耗,可以非常有用的使用物联网在医疗和药品。

鉴于边缘计算是一个新的研究课题,健壮的集成解决方案,它的各种挑战,包括安全、安全路由,尚未提出。然而,使用这种系统的一个问题是,未经授权的人渗透系统,并使用它的信息或执行未经授权的操作。该特性允许未经授权的访问现有的数据和执行操作在这些网络5]。因此,本研究探讨了检测入侵物联网医疗的过程使用聚类方法在边缘计算基础设施和结果将与其他方法相比在这个领域。

这项研究的最重要的贡献包括以下:提供一个clustering-based路由方法用于物联网的医疗(IoMT)。使用边缘计算减少延迟发送重要的医疗信息安全应急中心交互式和结构方法是用于提高集群内的准确性,以提高效率和增加安全。通过这种方式,精度高的有影响力的节点可以被识别。

2。研究背景

这项研究在6安全与保密审查IoMT。因此,首先IoMT不同部位的安全与隐私问题进行了调查。现有的解决方案领域的安全和隐私问题,为解决这些挑战提供合适的环境物联网基础设施,进行了综述。根据这项研究的结果,需要新方法的过程中提供IoMT安全与入侵检测。

挑战的恶意软件入侵检测技术和方法综述了物联网在[7]。本研究旨在进行全面的评估存在的问题和解决方案。各种僵尸网络的存在IoMT基础设施导致攻击的安全基础设施,包括全面性、机密性和可用性。这些可以减少传播的新IoMT等基础设施。因此,首先,恶意攻击的类型和检查了它们是如何工作的。

IoT-based架构与各种安全协议是用于部署和IoMT基础设施安全检查。这项研究在8)提出了一个安全框架使用互联网的医学也提高了能源消费的东西。这种方法的目的是减少通信开销和能量消耗之间的医疗传感器,过程和传播健康信息。

另一方面,该方法能够保证对不必要的访问病人的医疗数据。根据评价结果,能源消耗降低了29%,生产率增长了18%。雾雾computing-based(雾计算或网络,也被称为成雾,是一个架构,使用边缘设备进行大量的计算,存储,并在本地通信和路由通过互联网骨干)攻击检测系统使用MOA-WMA算法(9]。

该模型由几部分组成。在预处理,首先是处理输入数据和转换为一种格式,可以使用在机器学习,从中提取所需的特性,然后发送到特征选择部分,所需的功能在哪里选择准确的检测入侵后,进入下一节通过一个过滤器来去除附加信息,在这个阶段使用多层神经网络建模。最后,接下来的步骤是在此基础上完成建模和学习,是在训练数据的帮助下完成的。评价结果表明提高精度和效率的帮助下这个方法。提出了基于深入学习解决方案(10)提取物联网数据特性和在IoMT入侵检测。深度学习模型结合入侵检测技术来帮助使用这种方法。该方法解决了分配不相容的问题的源和目标数据。建议的解决方案可用于各种神经网络。因此,数据可以解决学习问题,有了它的帮助,和异常数据可以更准确地检测到。因此,评估表明,侵入IoMT可以检测精度高。马尔可夫模型的方法是在(11)来检测异常和安全健康监测系统。

根据这项研究的结果,由于应用的连续性的交通网络和他们的相互依存,因此,网络可以检测到的异常运动使用马尔可夫模型。这个解决方案是基于数据对网络的依赖,所以它可以操作没有监督学习模型,使用基于可穿戴传感器较低的能量。

也不同于其他方法,只有线性操作,这种方法可以执行在非线性维,进而可以探测到入侵和异常在网络得到更多的权力。最后,解决方案是评价得出,平均而言,它显著增加网络异常检测的准确性。不同的机器学习方法的结合来检测入侵物联网基础设施提出了(12]。因此,六种机器学习方法(随机森林,再支持向量机,神经网络,J48,和决策表)。

这种方法使用无标号数据以及监测方法增加IoMT入侵检测系统的准确性。这个解决方案,是对无标号数据单层神经网络对样本进行分类。接下来,创建的每个类别结合初始数据集,和培训应用于分类方法。根据研究的结果,解决方案的准确性高,入侵检测过程的执行时间也减少了。表1提供了一个总结之前的方法,每种方法的优点和缺点。

3所示。该方法的聚类

交互式方法是用于识别在物联网网络影响力的节点,也就是说,关注用户之间的交互。用户交互是反映出节点接收更多微博回应的却更少(少转发)和一个更好的选择是快乐,事实上,这样的一个节点被选中作为有影响力的节点。即有影响力的节点在每个协会确定使用一个基于结构的组合关系分析和交互式方法。应该注意的是,微博的数量收到和回复每一个用户在数据库中使用。

3.1。利用交互式和集群内结构方法提高精度

在前一步识别有效用户之后,它们中的每一个点的影响是由下列公式计算: 在哪里的次数u_我转发u_j微博,的次数u_j转发u_我微博,的次数u_我转发其他用户的微博,的次数u_j转发其他用户的微博,接收到的消息的总数吗我,发送的消息的总数吗我来j,每个单独的规范化。

3.2。研究计划

考虑到某些节点的大型数据库进行了研究(案例研究)在这项研究中,本文的研究方法是案例研究。

首先,提取的信息和研究的理论基础是有效的内部和外部来源的研究。然后物联网通用数据库Mirai Bashlite可用http://www.archive.ics.uci.edu/mI/datasets/detection_of_iot_botnet_attacks_n_balot选择实施和执行。数据是由k - means聚类算法的分类;然后,入侵检测和路由优化的优势在MATLAB计算,这项研究的结果发表在表和图的形式。最后,获得的结果与其他先前方法的结果。

3.3。解决问题的方法

在目前的研究中,k - means聚类用于分类数据库后,选择合适的数据库。不同的识别物联网网络论坛。在下一步中,特别关注用户的人口特征,包括他们的年龄、性别、职业,识别物联网网络的论坛。一个代码在0和1之间分配给每一个属性。一种聚类算法的过程应该继续使用识别协会根据提到的人口学特征;本研究选择k - means算法。

然后,有影响力的物联网网络节点标识。边缘计算是用来识别影响力的物联网网络中的节点。边缘互动的方法计算,用户之间的相互作用,已经被考虑。用户之间互动意味着一个节点接收更多的信息,但反应少(少反应)是一个更好的选择是head-cluster,事实上,这样的节点被选为有影响力的节点。

即有影响力的节点在每个协会确定使用分析的关系,基于结构和互动方法的结合。应该注意的是,收到的信息量和回答为每个用户使用数据。通过识别影响用户在前面的步骤中,他们每个人现在计算分数的影响,最后,获得的值是放置在目标函数就是在下一小节中介绍。图1显示了α、β和γ狼动作。

图2提供最优的解决方案由α,β和γ狼在拟议的方法。

灰狼算法的伪代码如图3。

表2汇总研究数据集的一部分。

3.4。目标函数在边缘计算算法

本研究进行了提高准确性和使用边缘计算安全物联网网络的路由。因此,目标函数如下: F是物联网网络的准确性和计算通过计算边缘。

在这项研究中,社区包括所有的用户数据库。数据库的样本包括1000个用户。根据定义,简单随机抽样方法(25]。MATLAB(2017年版)被用于数据分析,并给出了结果。在本节中,提出了物联网网络上的仿真结果数据。仿真包括两个阶段。

在第一阶段,网络论坛或集群的1000用户发现基于性别的三个特点,年龄和职业,并在下一步中,集群用户的交互程度和排名。本节中的数据包括这1000个用户的信息和他们的邻居,除了用户交互、信息共享的帖子,和用户评论文章。在这种方法中,用户选择更高程度的交互和排名在每个集群开始传播信息的过程,并通过这些用户信息传播到其他用户。

MATLAB软件是用于模拟相关用户聚类,和程度的交互和用户等级被用来执行相关的模拟。

3.5。平台使用

该平台使用Windows 7, 64位CPU、4 GHZ酷睿7。

3.6。集群,集群,集群效应、集群标准,并使用康明斯聚类算法的原因

数据聚类是在本节中完成的。集群导致大量信息的分类和排序。因此,它更容易研究和分析数据在一个特定的顺序比没有分类检查大量的信息。有几个聚类的方法。k - means算法是数据挖掘中数据的聚类方法。

这个方法是一个基本方法,许多其他聚类方法(如模糊聚类)虽然是一个简单的方法。这种方法被认为是排除法。因此,该算法用于聚类在这项研究中由于其易用性。k - means聚类算法中的参数设置表3。

图1显示了设置参数,用户特性,忽略属性如下:重复数:250样品数量:1000集群的数量:25距离函数:欧氏距离的特点:4

每个论坛信息的用户数量,每个论坛用户的比例,和对比的准确性和数量的集群以及集群的数量和时间之间的比较他们的下一个分析发现在这一节中提供了有效的用户。在图4,列代表每个集群和行数的比例在每个集群网络用户。然后,k - means算法计算的准确性对于不同的数字。这个算法的准确性与不同集群的数量增加,随着集群数量的增加。25集群的数量是相对准确的数量在集群测试。

尽管物联网用户概要信息的帮助下,集群网络,它与共同特征识别组织的劣势,因为个人公开披露个人信息安全原因不感兴趣。

在本节中,余弦相似性度量是用于执行集群。(一个余弦相似度度量模糊集(26)的定义是两个向量的内积除以其长度的乘积。这是除了夹角的余弦值两个模糊集的向量表示)。柯林斯等人所使用的余弦相似性度量是两个向量之间的相似度测量的室内乘法空间基于夹角的余弦值。0度角的余弦值等于1和小于1的其他角度。因此,因此判断的方向和大小。两个向量与同一个方向余弦相似准则等于1,两个向量90°角有一个相似的零,和两个向量−1的相反方向有相似性。

余弦相似性度量使用特别是在正空间与一系列[0,1]。应该注意的是,这个范围是用于任意数量的维度,通常用在积极的维度高维度。

首先,定义为余弦距离 在哪里一个和B两个任意的向量和吗年代它们之间的距离的平方。

然而,这一标准并不是一个适当的距离,因为它并不能保证三角不等式和超越的原则叠加的原则。为了弥补三角不等式的原则,同时保持相同的顺序,需要把它转换成一个角距离。

两个向量的余弦距离可以转化为方程(4与欧几里得)内积公式: 在哪里一个和B两个任意的向量和吗θ是它们之间的角度。

最后,运用一系列的变化和内积,本研究中使用的标准的余弦相似性可以表示为 在哪里一个和B两个任意的向量,θ它们之间的角度,人工智能和Bi两个向量的组件。上述公式的结果在−1和1之间,在−1代表完全不同,1代表完全相似,0表示noncorrelation或正交性,以及它们之间的值指示的相似或相异程度。

聚类后,现在有一个常规数据集分为25类(集群)。使用边缘计算算法,在每个集群计算三个较大的值,也就是说,25的值一个25岁的值B,25的值C。最大的价值每25集群也称为总A, B的最大价值在总共25集群称为总B的值,和C的最大价值在总共25集群称为总C(表的价值4)。

可以看到,总数一个(13.87)中创建集群11号B在集群9号,和总C在集群10号。

3.7。每个集群的用户交互程度

在这里,UIi公式节点的值不同的ID。可以说,无论UIi最高价值选择是最重要的节点。用户交互的数量在第一集群如图5。

3.8。分数在每个集群的用户

根据社区获得了用户的评分算法使用相应的公式,与不同的节点id。在每个集群中,每个用户最高的分数(Si)被认为是最重要和有效的节点。图6显示用户的分数在第一个集群。

3.9。用户对网络的影响

识别用户的该方法的最终结果是有效的在每个社区提出了在这一节中,这是一个混合的两个标准的用户交互和用户的评分。图7显示了用户在第一个集群基于(Mi)的影响。鉴于许多用户被认为是开始扩散,我们可以选择用户最影响(和顶部的图)从每个社区,开始扩散。

3.10。该方法的计算精度和比较它与现有的方法

该方法的精度86.081,大约是0.2%比66.081%的基本研究方法的准确性。应该注意的是,在提出的方法中,物联网的群落结构被认为,社区是第一选择,然后应用该方法;基础研究没有考虑这个问题。

该方法的准确性和基础研究比较不同数量的用户,如图8和表5该方法的准确性,不同数量相比改善了基础研究。

可以看出现有的方法找到有效的出版商的准确性降低物联网网络用户的不断增加。

为了开始扩散,扩散信息的基本方法,例如,选择20个用户作为初始受体开始扩散信息。所有选定的用户可能在特定的论坛,和其他论坛可能不分享从出版;最终发布的消息可能永远不会达到他们。然而,在该方法中,所有论坛被认为是启动和至少一个用户选择在每一个论坛,因为这个用户是更有影响力和由于相似的特征和欲望与论坛的用户,该用户可以发布信息,防止信息的渗透。

4所示。结论

IoMT医疗设备的连接基础设施,应用程序和卫生系统和服务。IoMT的兴起是由连接的数量的增加医疗设备能够生成、收集、分析、传递健康数据或图片和连接到医疗服务提供者网络,传输数据云存储库或内部服务器。医疗设备之间的连接意味着安全可以不再检查内整洁,实体墙,因为它被认为是。攻击IoMT设备可能会造成严重的人身伤害和危及生命的损伤病人。

解决这个问题,许多研究来提供一种防止IoMT入侵和安全路由,其中许多IC和LT扩散模型开始节点的扩散过程,没有假设开始。出版过程不考虑,还有一个需要考虑的可能性,接受和接收的出版是随机完成的。在其他方法,它是基于出版物或受欢迎的话题,当他们在出版时间是有限的。在以后的时期,他们可能会失去他们的有效性和在未来可能不受欢迎。所以受欢迎的用户所使用的方法已经成为更受欢迎在IoMT使用。

在mba的方法不同,K-core和其他排名算法,包括关联算法,没有前提的关于网络协会在网络结构和不能推导出协会结构。在该方法中,用户被放置在各自的论坛,考虑到网络论坛,是基于个人特征的用户配置文件。论坛特点的基础上,用户的配置文件,尽管他们的优势,弱势,因为用户不愿意分享他们的信息与公众出于安全原因。

数据可用性

数据集的Mirai和Bashlite可以从以下网站:https://archive.ics.uci.edu/ml/datasets/detection_of_IoT_botnet_attacks_N_BaIoT。

的利益冲突

作者宣称没有利益冲突。