فهرست نشریات علمی دسترسی آزاد ایران

افزایش چشمگیر استفاده از دستگاه‌های اینترنت اشیای پزشکی (IoMT) باعث شده است که امنیت داده‌های حساس بیماران به یک چالش اساسی تبدیل شود. بسیاری از روش‌های سنتی تشخیص نفوذ با مشکلاتی همچون دسترسی متمرکز به داده‌ها، نرخ مثبت کاذب بالا و عدم توانایی شناسایی حملات ناشناخته مواجه هستند. به منظور مقابله با این محدودیت‌ها، در این پژوهش یک چارچوب سلسله‌مراتبی فدرال مبتنی بر یادگیری تقویتی DQN دوگانه بنام FedHID-DQN ارائه شده که قادر است داده‌های توزیع‌شده اینترنت اشیای پزشکی را بدون افشای اطلاعات حساس پردازش و تحلیل کند. معماری پیشنهادی شامل لایه دستگاه‌های اینترنت اشیا پزشکی، لایه تجمع فدرال و لایه یادگیری تقویتی و تصمیم‌گیری بهینه است که با مکانیزم‌های PER با اولویت پویا و الگوریتم‌های یادگیری فدرال ( FL )، نمونه‌های بحرانی و حملات نادر را شناسایی می‌کند . عملکرد چارچوب پیشنهادی بر اساس دیتاست ­ های CICIoMT2024 ، UNSW-NB15 و CICIDS2017 ارزیابی گردید. نتایج نشان داد که چارچوب ما دقت، فراخوانی ، صحت و F1-Score بین ۹۹.۶۵ ٪ تا ۹۹.۹۲ ٪ دارد و نرخ مثبت و منفی کاذب به حداقل ممکن کاهش یافته و بهبود ۳ تا ۴.۶ ٪ در معیارهای کلیدی حاصل شده است. زمان آموزش و اجرای مدل نیز ۸.۷ ٪ کاهش یافته است.