DOI: https://doi.org/10.1038/s41598-025-15292-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40849566
تاريخ النشر: 2025-08-23
المؤلف: Nithesh Naik وآخرون
الموضوع الرئيسي: إنترنت الأشياء والحوسبة الحافة/الضباب
نظرة عامة
تتناول ورقة البحث التحديات الأمنية الحرجة التي تواجه أنظمة إنترنت الأشياء المتمحورة حول الإنسان (H-IoT) في الرعاية الصحية والبيئات الذكية، لا سيما فيما يتعلق بسلامة البيانات، واكتشاف الشذوذ في الوقت الحقيقي، والتحكم في الوصول التكيفي. تعتبر الآليات الأمنية التقليدية غير كافية للطبيعة الديناميكية لبيانات الفسيولوجية المتعددة الوسائط المتدفقة. للتغلب على هذه القيود، يقترح المؤلفون إطار عمل هجين جديد مدرك للثقة يجمع بين الشبكات العصبية التلافيفية (CNN)، ونماذج الذاكرة طويلة وقصيرة المدى (LSTM)، والمشفّرات التلقائية التباينية (VAE) لتحليل الخصائص المكانية، والزمانية، والكمونية للإشارات الفسيولوجية بشكل فعال. تم تقديم وحدة تحكم مدركة للثقة ديناميكية (TAC) لحساب درجات الثقة في الوقت الحقيقي بناءً على احتمالية الشذوذ، وانتروبيا السياق، والسلوك التاريخي، مما يسهل قرارات الوصول من خلال منطق قائم على العتبة وآلية الحجر الصحي.
تم تقييم الإطار بدقة على مجموعات بيانات مرجعية وإشارات H-IoT ملكية تحت سيناريوهات هجوم وضوضاء مختلفة، مما أظهر متوسط درجة F1 بنسبة 94.3% لاكتشاف الشذوذ و96.1% دقة في تصنيف قرارات الوصول. كشفت التحليلات المقارنة عن تحسين بنسبة 12-18% في حساسية الاكتشاف مقارنة بالنماذج التقليدية القائمة على القواعد والنماذج الإحصائية. بالإضافة إلى ذلك، حافظ النظام على زمن استدلال في الوقت الحقيقي أقل من 160 مللي ثانية على الأجهزة الطرفية، مما يؤكد جدواه لتطبيقات H-IoT الحرجة. تسلط الأبحاث الضوء على دمج النمذجة الكمونية المدركة للشذوذ ووظائف الثقة متعددة الأبعاد كتحسينات كبيرة، مما يعزز موثوقية النظام ومرونته ضد النماذج الأمنية الثابتة. تشير النتائج إلى تطبيقات واعدة في مراقبة الرعاية الصحية، والاستشعار القابل للارتداء، والتقنيات المساعدة في الوقت الحقيقي، مما يمهد الطريق للتطورات المستقبلية في أنظمة H-IoT الآمنة.
الطرق
تحدد قسم المنهجية تصميم وإثبات إطار معالجة بيانات قوي، في الوقت الحقيقي، وآمن مصمم لبيئات إنترنت الأشياء في الرعاية الصحية (H-IoT). يتناول النظام المقترح التحديات الحرجة مثل اكتشاف الشذوذ، وإدارة سلامة البيانات، والاستجابة التشغيلية على الأجهزة الطرفية ذات الموارد المحدودة. لتحقيق ذلك، تم تقديم إطار تعلم عميق هجين، يجمع بين نقاط القوة في الشبكات العصبية التلافيفية (CNNs)، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، والمشفّرات التلقائية التباينية (VAEs) للاستفادة من القدرات المكانية، والزمانية، والتوليدية في التعلم.
في قلب الإطار يوجد وحدة تحكم مدركة للثقة (TAC)، التي تقيم باستمرار موثوقية أجهزة إنترنت الأشياء، مما يسهل قرارات الوصول المستنيرة وتكيفات النظام. تم تحسين التنفيذ للأجهزة الطرفية منخفضة الطاقة، وبشكل خاص Raspberry Pi 5 وJetson Nano، مع التركيز على تقليل استهلاك الطاقة والزمن. يتناول القسم الفرعي تفاصيل هيكل الإطار، وإعداد مجموعة البيانات، ومكونات النموذج الفردية، ومنطق الثقة، وطرق التدريب، والمقارنات الأساسية، والإعدادات التجريبية، مما يضمن نهجًا شاملاً لمعالجة التحديات الموضحة في إعدادات H-IoT.
النتائج
تقدم نتائج الدراسة إطار تعلم عميق هجين يدمج الشبكات العصبية التلافيفية (CNN)، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، والمشفّرات التلقائية التباينية (VAE)، معززة بوحدة تحكم مدركة للثقة ديناميكية. تم اختبار هذا الإطار بدقة في بيئات محاكاة إنترنت الأشياء البشرية (H-IoT) في الوقت الحقيقي، مما يظهر قدرته على اكتشاف الشذوذ التكيفي، وتقييم الثقة السلوكية، والتحكم الآمن في الوصول.
استخدم تقييم الإطار الهجين الآمن والمدرك للثقة نهجًا متعدد الأبعاد، يتضمن مقاييس كمية، وتحليلات بصرية، ومقارنات أساسية، وتقييمات إحصائية. تسلط النتائج الضوء على دقة الإطار، وموثوقيته، وقوته، وجدواه العامة للتطبيقات العملية في سياقات H-IoT، مما يظهر فعاليته عبر مجموعات بيانات وسيناريوهات نشر مختلفة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور وتحديات أنظمة إنترنت الأشياء في الرعاية الصحية (H-IoT)، لا سيما في مجالات اكتشاف الشذوذ، وسلامة البيانات، والأداء التشغيلي. ركزت الأبحاث المبكرة بشكل أساسي على الاتصال ودمج المستشعرات، ولكن التطورات الأخيرة انتقلت نحو استخدام تقنيات التعلم الآلي والتعلم العميق لمعالجة القضايا المعقدة مثل التحليلات في الوقت الحقيقي وتخفيف التهديدات السيبرانية. تكافح نماذج التعلم الآلي التقليدية، على الرغم من كونها قابلة للتفسير، مع البيانات الفسيولوجية عالية الأبعاد، مما يؤدي إلى الاعتماد المتزايد على هياكل التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM). لقد أظهرت هذه النماذج وعدًا في اكتشاف الشذوذ في الإشارات الفسيولوجية ولكنها غالبًا ما تفشل في حساب الاعتماد الزمني، مما يؤدي إلى إنذارات كاذبة خلال المراقبة طويلة الأجل.
تحدد الورقة عدة ثغرات في الأطر الحالية لـ H-IoT، بما في ذلك نقص التكامل بين اكتشاف الشذوذ المكاني والزماني، وآليات التحقق من سلامة البيانات المجزأة، وعدم الاعتبار الكافي للقيود الواقعية للنشر مثل ضوضاء البيانات وقيود النطاق الترددي. الحل المقترح هو إطار هجين يجمع بين CNNs وLSTMs وVAEs ضمن وحدة تحكم مدركة للثقة (TAC). يهدف هذا الهيكل إلى تعزيز اكتشاف الشذوذ، وضمان سلامة البيانات، وتسهيل الاستدلال منخفض الكمون من خلال التكيف الديناميكي مع موثوقية الأجهزة والظروف البيئية. تم تصميم الإطار للنشر على الحافة، مما يعالج الحاجة الحرجة للمعالجة في الوقت الحقيقي في إعدادات الرعاية الصحية ذات الموارد المحدودة. بشكل عام، تؤكد الأبحاث على ضرورة وجود نهج موحد يدمج نماذج التعلم العميق المتعددة وآليات الثقة لإنشاء أنظمة H-IoT قوية وقابلة للتوسع وفعالة قادرة على العمل في بيئات طبية معقدة.
DOI: https://doi.org/10.1038/s41598-025-15292-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40849566
Publication Date: 2025-08-23
Author(s): Nithesh Naik et al.
Primary Topic: IoT and Edge/Fog Computing
Overview
The research paper addresses the critical security challenges faced by Human-centric Internet of Things (H-IoT) systems in healthcare and smart environments, particularly concerning data integrity, real-time anomaly detection, and adaptive access control. Traditional security mechanisms are deemed inadequate for the dynamic nature of streaming multimodal physiological data. To overcome these limitations, the authors propose a novel trust-aware hybrid framework that combines Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM) models, and Variational Autoencoders (VAE) to effectively analyze the spatial, temporal, and latent characteristics of physiological signals. A dynamic Trust-Aware Controller (TAC) is introduced to compute real-time trust scores based on anomaly likelihood, context entropy, and historical behavior, facilitating access decisions through a threshold-based logic and quarantine mechanism.
The framework was rigorously evaluated on benchmark datasets and proprietary H-IoT signals under various attack and noise scenarios, demonstrating an average F1-score of 94.3% for anomaly detection and 96.1% accuracy in access decision classification. Comparative analyses revealed a 12-18% improvement in detection sensitivity over traditional rule-based and statistical models. Additionally, the system maintained real-time inference latency under 160 ms on edge devices, confirming its feasibility for critical H-IoT applications. The research highlights the integration of anomaly-aware latent modeling and multi-dimensional trust functions as significant advancements, enhancing system reliability and resilience against static security models. The findings suggest promising applications in healthcare monitoring, wearable sensing, and real-time assistive technologies, paving the way for future developments in secure H-IoT ecosystems.
Methods
The methodology section outlines the design and validation of a robust, real-time, and secure data processing framework tailored for Healthcare Internet of Things (H-IoT) environments. The proposed system addresses critical challenges such as anomaly detection, data integrity management, and operational responsiveness on resource-constrained edge devices. To achieve this, a hybrid deep learning framework is introduced, combining the strengths of Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM) networks, and Variational Autoencoders (VAEs) to leverage spatial, temporal, and generative learning capabilities.
Central to the framework is a Trust-Aware Adaptive Controller (TAC), which continuously evaluates the trustworthiness of IoT devices, facilitating informed access decisions and system adaptations. The implementation is optimized for low-power edge devices, specifically Raspberry Pi 5 and Jetson Nano, focusing on minimizing energy consumption and latency. The subsection details the framework architecture, dataset preparation, individual model components, trust logic, training methodologies, baseline comparisons, and experimental setups, ensuring a comprehensive approach to addressing the outlined challenges in H-IoT settings.
Results
The results of the study present a hybrid deep learning framework that integrates Convolutional Neural Networks (CNN), Long Short-Term Memory networks (LSTM), and Variational Autoencoders (VAE), enhanced by a dynamic trust-aware controller. This framework was rigorously tested in real-time Human-IoT (H-IoT) simulation environments, demonstrating its capability for adaptive anomaly detection, behavioral trust scoring, and secure access control.
The evaluation of the Secure and Trust-Aware Hybrid Deep Learning Framework employed a multi-dimensional approach, incorporating quantitative metrics, visual analyses, comparative baselines, and statistical assessments. The findings highlight the framework’s accuracy, dependability, robustness, and overall viability for practical applications in H-IoT contexts, showcasing its effectiveness across various datasets and deployment scenarios.
Discussion
The discussion section of the research paper highlights the evolution and challenges of Healthcare Internet of Things (H-IoT) systems, particularly in the areas of anomaly detection, data integrity, and operational performance. Early research primarily focused on connectivity and sensor integration, but recent advancements have shifted towards employing machine learning and deep learning techniques to tackle complex issues such as real-time analytics and cyber threat mitigation. Traditional machine learning models, while interpretable, struggle with high-dimensional physiological data, leading to a growing reliance on deep learning architectures like Convolutional Neural Networks (CNNs) and Long Short-Term Memory (LSTM) networks. These models have shown promise in detecting anomalies in physiological signals but often fail to account for temporal dependencies, resulting in false alarms during long-term monitoring.
The paper identifies several gaps in current H-IoT frameworks, including the lack of integration between spatial and temporal anomaly detection, fragmented data integrity verification mechanisms, and inadequate consideration of real-world deployment constraints such as data noise and bandwidth limitations. The proposed solution is a hybrid framework combining CNNs, LSTMs, and Variational Autoencoders (VAEs) within a Trust-Aware Adaptive Controller (TAC). This architecture aims to enhance anomaly detection, ensure data integrity, and facilitate low-latency inference by dynamically adapting to device reliability and environmental conditions. The framework is designed for edge deployment, addressing the critical need for real-time processing in resource-constrained healthcare settings. Overall, the research underscores the necessity for a unified approach that integrates multiple deep learning models and trust mechanisms to create robust, scalable, and efficient H-IoT systems capable of operating in complex medical environments.