التعلم الاتحادي المحمي للخصوصية لإنترنت الأشياء الطبية تحت الحوسبة الطرفية

يُستخدم الحوسبة الذكية الطرفية على نطاق واسع في مجالات مثل إنترنت الأشياء الطبية (IoMT)، والتي تتميز بمزايا منها كفاءة عالية في معالجة البيانات، وأداء زمني قوي، وتأخير منخفض في الشبكة. ومع ذلك، هناك العديد من المشاكل مثل كشف الخصوصية، وقوة الحوسبة المحدودة، فضلاً عن مشكلات الجدولة والتنسيق. يمكن للتعلم الاتحادي أن يحسن بشكل كبير من كفاءة التدريب. ومع ذلك، بسبب الطبيعة الحساسة لبيانات الرعاية الصحية، فإن الطريقة المذكورة لنقل بيانات المرضى إلى الخوادم قد تخلق مشاكل خطيرة في الأمان والخصوصية. لذلك، تقترح هذه المقالة مخطط حماية الخصوصية للتعلم الاتحادي تحت الحوسبة الطرفية (PPFLEC). أولاً، نقترح بروتوكول حماية خصوصية خفيف الوزن يعتمد على سر مشترك وقناع وزن، وهو قائم على مخطط قناع عشوائي للمشاركة السرية. إنه أكثر دقة وكفاءة من التشفير المتجانس homomorphic encryption. لا يمكنه فقط حماية خصوصية التدرجات دون فقدان دقة النموذج، بل يقاوم أيضاً إسقاط الأجهزة وهجمات التواطؤ بين الأجهزة. ثانياً، نصمم خوارزمية تعتمد على التوقيع الرقمي ودالة الهاش، تحقق سلامة واتساق الرسالة، وكذلك تقاوم هجمات الإعادة replay attacks. أخيراً، نقترح استراتيجية تدريب دورية متوسطة، وبالمقارنة مع الخصوصية التفريقية differential privacy نثبت أن مخططنا أسرع بنسبة 40% من حيث الكفاءة. في الوقت نفسه، بالمقارنة مع التعلم الاتحادي، يمكننا تحقيق نفس الكفاءة مع ضمان الأمان. لذلك، يمكن لمخططنا العمل جيداً في بيئات الحوسبة الطرفية غير المستقرة مثل الرعاية الصحية الذكية.