文摘

提供安全的医疗数据存储在一个IoT-cloud环境是最具有挑战性之一,要求在最近几天的任务。因为IoT-cloud框架是由一个巨大的数量的传感器,用于生成大量数据,然而,它是更容易的漏洞和攻击,降低网络的安全级别进行恶意活动。因此,人工智能(AI)技术是最合适的选择医疗应用程序,因为它提供了最佳的解决方案为提高数据的安全性和可靠性。由于这一事实,各种基于ai的安全机制实现的传统作品IoT-cloud框架。然而,它面临着重大问题,在算法设计增加了复杂性,低效的数据处理,不适合处理非结构化数据,提高物联网传感器,成本和更多的时间消耗。因此,本文提出了一个基于ai智能特性学习机制叫概率超级学习——(PSL)随机散列(RH)为提高医疗数据的安全存储在IoT-cloud。同时,本文旨在降低成本的物联网传感器通过实现提出的学习模式。这里,训练模型已经保持了检测攻击在最初的阶段,在报道攻击的属性更新学习攻击的特点。除此之外,随机密钥的生成是基于数据的哈希值矩阵,这是整合与标准椭圆曲线密码(ECC)为数据安全技术。然后,增强ECC-RH机制执行数据加密和解密过程使用生成的随机散列键。 During performance evaluation, the results of both existing and proposed techniques are validated and compared using different performance indicators.

1。介绍

人工智能(AI) (1- - - - - -3)是一个现代和高要求的技术用在许多实时应用系统由于其巨大的好处,保证安全,能够处理更复杂的数据,减少了重复,和未知威胁识别(4,5]。同时,物联网(物联网)6,7)是一种智能的框架,有助于连接各种传感器(8)和设备与云的可靠的数据通信和传播。物联网应用在许多研究领域中获得了相当大的关注提高效率的好处和自治的特征。在此系统中,物联网设备(9)可以使用各种传感器收集的数据环境并将其传输到连接设备,传递信息通过无线连接到云。然而,这个过程面临着许多安全挑战10,11)的漏洞和有害攻击网络。因此,安全是一个需要解决的重大关切cloud-IoT环境(12保护机密信息的可信度。最近几天,增加卫生保健系统是高度要求的安全保护用户的机密信息。对于这种类型的应用程序,人工智能技术更适合提高医疗安全的应用程序部署在一个IoT-cloud环境。通常情况下,有不同类型的人工智能技术,已经在许多应用系统中使用,受到基于规则的分类方法,机器学习技术,深度学习模型。各种人工智能技术的一般说明类型如图1。

1.1。动机和煽动

这个研究工作打算开发一个智能的基于ai功能在早期阶段学习方法预测攻击训练用户数据的特性。此外,随机生成散列密钥并将ECC方法的数据加密和解密过程。

1.2。研究的差距

传统的工程开发不同的加密和分类方法13,14),以确保安全的数据存储和检索的IoT-cloud域。一般来说,加密技术(15像高级加密标准(AES) (16),Rivest沙米尔Adleman (RSA), sha - 512,椭圆曲线密码(ECC)已经广泛应用于许多数据安全系统(17]。此外,它帮助解密前的原始数据存储和检索过程与保证安全(18]。尽管如此,它面临的主要问题是时间消耗增加,计算复杂度高,缓慢处理时密钥生成和验证。同时,分类方法(19- - - - - -21限制高错误率的问题,效率低下的预测结果,和延迟的过程中,降低整个安全系统的性能。为了解决这些问题,提出了工作的目的是开发一个智能医疗系统的基于人工智能技术的安全方案。

1.3。贡献和组织

本文的主要贡献如下:(我)确保医疗数据的安全存储在IoT-cloud,随机散列(RH)技术开发产生的随机密钥用于加密和解密数据(2)建立了从物联网数据传输到云根据用户查询的输入处理(3)保证了数据检索与攻击检测和功能学习模型,基于人工智能(AI),概率超级学习(PSL)机制实现

评估的性能提出PSL-RH技术,被认为是各种评价指标。如精度、精度,还记得,密钥生成时间,加密,解密时间。本文的其余部分隔离如下:现有技术用于数据安全与攻击分类cloud-IoT域与他们的优点和缺点进行了综述2。提议的方法的详细描述提出了明确的流程和算法在部分插图3。现有的性能分析,提出了基于数据安全机制验证和比较各种性能措施部分4。最后,总结了整个论文的未来范围部分5。

2。相关的工作

本节讨论一些传统的安全机制与基于ai物联网系统的安全方案。也调查的优缺点,每个技术基于其工作操作和特点。

哈[22)开发了一个物联网框架包含一个人工智能系统,以确保医疗保健应用程序的安全。本文的主要目的是保护病人的隐私和安全的数据存储在互联网上。为此,深层神经网络——基于(款)的恶意软件检测机制是部署。这有助于限制验证访问云数据,以避免未经授权的/恶意活动。此外,密钥身份验证进行基于特定重量和偏见的参数值。为了检测恶意软件和安全的识别信息,乙状结肠函数估计已经培训的集合中提取特征。这项工作的主要好处是减少响应时间,增加交付包,和最小的延迟。Valanarasu [23)构建了一个智能和安全物联网框架增加医院环境的安全。这里,人工智能技术的一些关键政策和法规可能与这个框架集成,包括问责制、透明度、数据隐私、安全、互操作性和可持续性。此外,它旨在检测基于主机属性不同的攻击类型,信息中断,网络属性。然而,这个框架不使用任何特定的方法来检测网络上的攻击,这会降低整个系统的性能。希腊et al。24)调查了最近的趋势IoT-AI系统开发智能医疗系统。这里,设计的三层体系结构是构建物联网的医疗(IoMT)系统通过合并WBSN的功能,传感器网络领域,和云服务。

Bharadwaj et al。25)进行了详细研究各种机器学习技术用于医疗物联网(HIoT)系统,每个技术的应用和限制一直在讨论。这项工作表明参数互操作性、可靠性,必须满足有界延迟、隐私和安全发展一个高效和安全物联网框架。这里,不同类型的相似性匹配技术,如线性回归,逻辑回归,k - means,判别分析,讨论了降维方法与操作功能。基于这项研究,可以看出线性回归模型是一种合适的技术评估的依赖和独立变量之间的关系。Zaman et al。26)提出了一个综合调查与各种人工智能机制用于提高物联网网络的安全。本文还讨论了物联网网络中存在的重大安全挑战,其中包括机密性的因素,可用性,和源认证。阿明et al。27)设计了一个轻量级的认证协议增加IoT-enabled设备在云环境的安全。这项工作包括用户/服务器注册和认证的过程。这个系统的目的是进行身份验证的用户提供访问机密信息存储在私有云。这个框架的优点是减少了计算和存储成本消耗。然而,它并没有提供一个最优性能结果关于可靠性高,攻击检测和错误分类率。

崔和崔28)开发了一个IoT-cloud安全框架通过使用上下文本体模型识别系统漏洞。本文的主要目的是准确地检测系统入侵和设备漏洞在IoT-cloud环境部署一个有效的安全机制。在这个模型中,推理规则生成模式的基础上嗅探攻击等数据,内存转储软件攻击和端口访问。然而,这对理解模型更为复杂,这就需要分类基于推理规则的漏洞。沈et al。29日)使用一个有效的隐私保护机制,确保IoT-cloud环境的安全。在这里,一个集成的双线性映射和同态加密方法已经用于加密成未知格式的数据。密苏里州(30.)提出了一个安全的数据存储方法通过使用一个增强型蚁群优化(ACO)技术。本文主要考虑改善与优化的负载均衡策略完成时间安全地存储在云上的数据。在这里,full-homomorphic加密和reencryption机制被部署到IoT-cloud上的数据存储在一个加密的格式。在[31日),高级加密标准(AES)机制是利用医疗数据存储在一个IoT-cloud环境安全。这种类型的加密模型生成的密钥生成密文与多个转换轮。这个安全系统评估的总体质量的参数精度的基础上,延迟,一致性和QoS。

利雅得et al。32)实现一个敏感的和充满活力的访问控制(SE-AC)机制改善的安全电子健康记录(EHRs)存储在一个IoT-cloud环境。本文的主要动机是为了确保隐私和机密性的医疗数据通过使用细粒度的访问控制机制。为了验证这一机制的有效性,加密,解密时间、存储开销和令牌生成时间估计。关等。33)调查了云计算的数据安全和隐私问题和雾计算。在这里,主要讨论了安全数据存储的需求,包括完整性验证,动态的支持,减少开销,访问效率,授权和细粒度的访问控制。朱et al。34]部署一个新的网络安全框架,保证医疗系统的隐私和安全。本文的主要目的是减少计算开销的安全框架使用机器学习的方法。Kalyani和Chaudhari35采用最优的同态加密(咸宁)方案增加数据存储在一个物联网环境的敏感性。这里,深层神经网络(款)技术用于攻击分类是基于最优特性。除此之外,步长萤火虫(SSFF)优化技术也用于身份验证的关键数据加密。Zaman et al。26)提出了各种基于ai的分类法用于物联网的网络安全机制。layer-wise安全威胁已经讨论与他们的攻击活动。本文调查了不同类型的人工智能技术是基于规则的机器学习,深入学习,浅机器学习。表1介绍了综述各种人工智能模型用于改善医疗物联网数据安全系统。

在此基础上研究分析了人工智能和机器学习技术广泛用于保证物联网威胁的对策。这些技术有能力self-routine操作,有助于提高系统的总体性能安全。不过,它限制过度拟合问题的重大挑战,在大型空间数据处理困难,增加了延时和数据稀缺。为了解决这些问题,提出了工作的目的是开发一种先进的基于ai安全机制使卫生保健的安全数据存储和检索系统。

3所示。提出的方法

本节提供了一个详细描述的方法明确的算法和流插图。本文的主要动机是安全地存储和检索数据从IoT-cloud系统通过实现一个先进的人工智能技术,在healthcare-based应用系统。这个工作的创新性的贡献是提出了框架利用基于ai概率超级学习(PSL)模型有效地管理安全的数据传输通过识别数据的特性/功能获得的物联网设备。PSL技术旨在识别正常和攻击活动与更新的功能。此外,PSL技术开发了基于人工智能模型提高了特征学习通过更新在每个瞬间攻击的属性和特征。除此之外,随机散列(RH)技术是利用椭圆曲线密码(ECC)模型来执行数据加密和解密过程,保证了数据的安全存储和检索。

提出了基于ai的总体架构和流程安全系统数据所示1和2分别包括以下阶段:(1)从物联网数据传输到云(2)用户查询输入处理(3)攻击检测和功能学习(4)从云安全数据检索到用户

起初,取得用户的传感器数据和加密存储到云使用前建议RH技术。它主要是用于加密和解密的原始数据的基础上形成一个散列键生成矩阵。然后,应用人工智能的安全机制来检查数据是否正常或攻击。假设它被确定为正常的流动。在这种情况下,数据安排过程是将数据存储在云中执行。如果它被确定为一个攻击,它可以自动报防火墙或路由系统阻止的攻击在初始阶段处理。

因此,训练模型的帮助下已经更新PSL方法,更新报告的属性攻击和安排的特性。这里,攻击分类执行根据的/更新属性特征数据维护在训练模型。用户可以键入输入查询访问期间所需的数据查询输入处理。AI-PSL方法用于验证用户是否正常或攻击者根据训练模型的更新属性的集合。如果用户是正常的,查询请求被传递到云存储,提供检索到的数据格式进行解密。这里,RH-based解密过程应用于对原始信息进行解密通过生成签名匹配模式。最后,解密后的数据已经显示给用户隐私和安全保障措施。

3.1。数据安全使用ECC-Based随机散列技术

在这个阶段,原始数据最初加密存储到物联网云使用前RH技术。在许多安全应用系统,确保数据安全的要求和具有挑战性的过程由于大量的数据和复杂的格式化功能安排。通常,数据安全的过程被定义了数据存储在加密和数据检索与适当的身份验证解密后用于访问数据。为此,有不同类型的数据加密和解密标准开发的常规工作,包括AES、DES、卢比和其他一些模型。然而,它的显著缺点是增加对密钥生成和加密时间消耗,实现复杂性和计算开销。因此,本文利用基于椭圆曲线密码(ECC),加密机制(36这部小说RH键生成技术。这个ECC-RH用于确保数据安全的基础上,加密和解密过程。选举投诉委员会是一个广泛使用的加密标准增加IoT-cloud域的数据安全。在提出的方案中,密钥生成过程中现有的ECC技术与RH技术已经更新。根据输入数据流哈希值,在这个模型中,生成的随机密钥已被用于加密和解密云数据。使用随机hashing-based ECC技术的主要优点如下:生成的键是小,快速的加密和解密,减少时间消耗,优化带宽使用情况。然而,它遵循一些复合生成哈希函数的计算,以确保增加的安全级别。

最初,它需要的数据流作为输入,并产生随机的关键点作为输出,用于数据加密和解密。在这里,重量参数和临时矩阵首先初始化用于生成散列密钥矩阵。之后,等参数的顺序和对每个计数器迭代更新如下面所示: 在哪里 , , , , ,和 。

然后,签名模式计算从生成的矩阵如下所示:

因此,统计已更新关于矩阵的大小,和估计模式表示如下:

基于这种交叉计算,随机密钥为存储和检索生成的数据在云的形式说明了吗

具体算法过程中说明了随机散列密钥生成过程的算法1如下:

3.2。PSL算法

学习技术在这个阶段,该功能主要用于检测攻击训练模型基于矩阵的特性。拟议的PSL方法提取特征的物联网设备。在训练数据更新模型的类别和攻击功能正常。PSL是发达的功能学习模式匹配定位的功能与数据库属性攻击。物联网设备特性与这种培训模式识别任何攻击设备是否可以尝试访问的数据存储在云数据存储和检索过程。如果合法的访问,操作,比如数据存储和检索的正常流已被自动执行。如果它被确定为一个攻击,它可以自动报防火墙/路由设备,块的访问在初始阶段。同时,这种攻击的特性和特点是学习和更新可用的培训模式;然后,整个培训模式的特点已经完全更新,并安排新的攻击特性。这种训练模式可以进一步用于随之而来的数据存储和检索流程识别和阻止攻击。 Hence, this type of AI-based feature learning helps enhance the system’s security with accurate detection of attacks. Also, the AI-based attack learning process is carried out in this research based on the parameters of probabilistic distributional features. It identifies the multiple combinations of parameters for grouping and forming it to the cluster, ensuring a better prediction process. The PSL mechanism’s key benefits are increased detection accuracy, ensuring data privacy, high security, minimal time consumption, and reduced computational complexity. These advantages are attained by performing AI-based feature learning with probabilistic features. The typical architecture of the PSL methodology with its matrix construction is depicted in Figure3。

在该算法中,输入数据矩阵作为输入进行处理,预测集群的结果吗 , ,和产生的输出。在这里,可用性和责任矩阵构造起初对矩阵的大小和 。在此基础上,初始聚类的数据计算如下所示:

因此,责任和可用性矩阵构造计算相关的向量作为代表如下:

然后,临时的矩阵与可用性矩阵估计和更新,说明如下:

因此,相关的指数矩阵形成的平均向量的基础上估计指数列表,这是进一步更新列表如下所示:

然后,相关的平均水平总体向量的计算通过使用以下模型:

此外,之间的距离估计平均更新列表及其相关参数如下所示:

然后,使用集群输出预测分类基于最小距离参数的相关性水平。如果预测集群标签是一个攻击,它会自动被防火墙,功能学习与更新进行攻击特性的培训模式。然后,更新后的模型是进一步用于分类攻击为确保安全的数据存储和检索的过程。图4显示了PSL提出方法的体系结构模型。

提出的详细的算法步骤PSL-based特性说明学习模型算法2如下:

4所示。结果与讨论

本节评估现有的性能和比较结果,提出安全技术基于精度,精度,还记得,F1-score,马修斯相关系数(MCC),加密,解密时间延迟,吞吐量,包交付率和计算时间。

4.1。性能分析的现有的和拟议AI机制

图5和表2描述现有的吞吐率(22),提出了各种物联网设备的人工智能的安全机制。通常情况下,系统的输出可以评估的字节。网络的输出高度取决于连接设备的传输速度。然后,吞吐量计算基于消息的总数的比例由所有节点的网络,成功地收到的消息的总数。在这里,现有保护的医疗网络(ST-HIoT),入侵检测系统(IDS),智能人脸识别和导航系统(IFR-NS),和互联网Things-Artificial情报系统(IoT-AIS)。根据结果,可以看出该PSL-RH技术优于其他技术增加吞吐量值因为拟议的框架允许可靠准确的用户和设备之间的数据传输检测攻击基于特征的集合。

图6和表3显示现有的延迟和提出技术对不同数量的物联网设备。通常情况下,网络的延迟估计基于最大的时间到达最终目的地所需的数据,并且数据速率达到最大流动分离是基于延迟。它也定义的术语之间的延迟请求发送的用户和提供的云服务器的响应。从分析,证明了提出PSL-RH技术消耗最小延迟相比其他技术。,因为在该系统中,用户输入查询已经被检查处理请求的特性在初始阶段基于训练模型。所以,这有助于减少输入查询传输的延迟和数据检索过程。

图7和表4描述现有IoT-AIS的传输速率,提出PSL-RH技术对各种设备。之间的数据传输速率是评估的数据流从物联网设备从云来云计算和检索数据用户提供有效的攻击检测。与现有的模型相比,该PSL-RH技术达到高的数据传输速率增加安全性。由于训练功能模型的维护,攻击识别和阻止在最初的阶段,这有助于提高该系统的数据传输速率。图8和表5比较现有的能源利用水平,提出安全机制对各种设备。网络的能耗评估基于物联网设备的通信延迟。这些结果还状态,该方案需要最少的能耗相比其他技术。

图9和表6比较现有的整体性能分析(37),提出了攻击检测技术基于精度的措施,精度,还记得,F1-score, MCC。通常情况下,整个安全系统高度依赖的效率精度的措施,精度和召回。此外,这些措施主要是计算来确定安全方案可以预测准确值的时候攻击识别和预测,计算如下: TP表示真阳性,TN代表真正的负面,FP是假阳性,FN代表了假阴性。基于这些结果,很明显,该PSL-RH技术提供了改进的性能结果相比其他学习技术,准确地检测和阻止攻击基于训练模型的特性集。

图10接受者操作特征(ROC)分析说明了现有和拟议的技术对不同真阳性率(TPR)和假阳性(玻璃钢)。在这里,中华民国的学习模型计算验证攻击检测过程在不同阈值下的性能。在此基础上分析,很明显,该PSL-RH TPR技术提供了一个增加,相比其他学习模型。

图11和表7显示现有的信息熵分析(19)和提出技术在不同样本。通常,信息熵测量基于信息的随机性,主要评估估算平均不确定性程度的密文。这一分析表明,PSL的RH合并技术可以有效地提高信息熵通过生成随机散列点在密钥生成。

图12和表8评估的最大、最小和平均值的数据单元的数目变化范围(NPCR)和统一的平均变化速率(UACI)对现有和拟议的安全机制。这些措施计算如下: 在哪里 和 被定义为两个密文数据点的灰度值吗 。的评价,可以看出该PSL-RH技术提供了改进的理论值NPCR UPCI,相比现有技术。

4.2。性能分析现有和拟议的数据安全技术

图13和表9显示现有的加密时间(38),提出了不同数量的数据安全技术物联网设备,包括RSA、ECC IECC, ECC-RH求婚。一般来说,加密时间被定义为时间对原始数据进行加密成密文使用生成的关键。同样,解密时间被定义为时间解密密文数据为原始格式,这是评估现有和拟议的技术,如图14和表10。基于这些比较,它是表示,拟议中的RH技术集成与ECC数据安全机制需要减少时间消耗数据加密和解密。提出了数据安全方案,随机密钥生成输入数据流根据数据矩阵的随机散列值和签名模式。因此,它有助于加快数据加密和解密的过程减少了时间消耗。

因此,图15和表11比较现有的加密和解密时间高级加密标准(AES),密文策略属性加密(CP-ABE),修改CP-ABE (MPC-ABE) [39),并提出ECC-RH技术对不同关键尺寸(位)。然后,图16和表12显示现有和拟议的解密时间数据安全技术对不同大小的关键。结果描述,提出ECC-RH技术需要最少的时间消耗的加密和解密,相比其他现有的数据安全技术。

图17和表13显示现有和拟议的平均计算时间数据安全技术对不同数量的用户。通常,基于定义的计算时间是花费的时间由系统来满足用户请求,直到成功完成数据检索。分析证明,该ECC-RH技术需要减少计算时间(s),相比其他数据安全机制通过完成数据存储和检索过程与增加的速度和安全。然后,它显示了整个基于ai改进性能的安全系统部署在一个IoT-cloud环境。

5。结论

本文提出了一种基于ai智能安全系统保证隐私和机密性的医疗保健应用程序IoT-cloud环境。这项工作的主要目的是使受保护的数据存储和检索流程通过实现一个先进的人工智能方法。为此,PSL技术建议打算预测早期阶段的攻击。这样可以确保医疗应用系统的安全增加了训练的模型组学特征。因此,RH-based与ECC密钥生成过程实施和整合机制,确保安全的数据存储和检索流程。这个人工智能方法的小说的贡献,它维护一组训练数据模型与正常和攻击功能,帮助识别的攻击在初始阶段处理。也块防火墙的攻击报告并更新培训模式,附加的特性和特征检测攻击。此外,数据安全过程可以提高基于数据矩阵生成随机密钥的散列值和签名模式。然后,这个随机密钥可用于数据加密和解密过程,保证安全的数据存储和检索的IoT-cloud环境。提出基于ai安全机制的显著的优势是减少计算复杂度,快速过程,最少的时间消费,准确攻击检测和最佳性能的结果。 The proposed AI-based security mechanism results are validated and compared with the existing feature learning, classification, and data security models using various evaluation metrics during the performance analysis. Based on the obtained results, it is stated that the proposed PSL-RH technique outperforms the other techniques with improved performance results.

在未来,这项工作可以通过实现扩展的基于ai其他实时应用系统的安全框架。同时,轻量级安全模型可以开发为确保安全的医疗物联网数据流程的基础上随机密钥生成和信任协议。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者没有潜在的利益冲突,经济利益等关系,个人利益或信仰,可以认为影响客观性或中立的手稿。

确认

这个项目是由院长以来科研阿卜杜勒阿齐兹国王大学(博士)(考),吉达,沙特阿拉伯,在批准号(rg - 4 - 611 - 43)。因此,作者承认和感谢DSR技术和财政支持。