Vai al contenuto
Crypto.world

Ricerca

Privacy differenziale per l’apprendimento automatico sicuro nei sistemi sanitari IoT-Cloud

L’assistenza sanitaria ha raggiunto un livello di sofisticazione eccezionale: i dispositivi indossabili e i dispositivi medici connessi stanno rivoluzionando il monitoraggio a distanza dei pazienti…

Privacy differenziale per l’apprendimento automatico sicuro nei sistemi sanitari IoT-Cloud
arXiv
2512.10426
Pubblicato
2025-12-11
Autori
N Mangala, Murtaza Rangwala, S Aishwarya, B Eswara Reddy, Rajkumar Buyya, KR Venugopal, SS Iyengar, LM Patnaik

Abstract degli autori

L’assistenza sanitaria ha raggiunto un livello di sofisticazione eccezionale: i dispositivi indossabili e i dispositivi medici connessi stanno rivoluzionando il monitoraggio a distanza dei pazienti, la risposta alle emergenze, la gestione delle terapie farmacologiche, la diagnosi e l’analisi predittiva e prescrittiva. I sistemi integrati di Internet of Things e cloud computing (IoT-Cloud) permettono la rilevazione dei dati, l’automazione e la loro elaborazione per queste applicazioni sanitarie. Se una risposta in tempo reale è fondamentale per far fronte alle emergenze dei pazienti, la tutela della loro privacy è essenziale in un’assistenza sanitaria basata sui dati. In questo articolo proponiamo un’architettura multilivello IoT, Edge e Cloud per migliorare i tempi di risposta alle emergenze sanitarie, distribuendo i compiti in base all’urgenza della risposta e ai requisiti di permanenza dei dati. Tuteliamo la privacy dei pazienti mediante un framework di privacy differenziale applicato a diversi modelli di apprendimento automatico: K-means, Logistic Regression, Random Forest e Naive Bayes. Definiamo un modello completo delle minacce che individua tre classi di avversari e valutiamo meccanismi di aggiunta di rumore Laplace, Gaussian e ibridi con diversi budget di privacy; gli algoritmi supervisionati raggiungono un’accuratezza fino all’83,6%. Il meccanismo ibrido di aggiunta di rumore Laplace-Gaussian proposto, con allocazione adattiva del budget, offre un approccio equilibrato, con code di ampiezza moderata e un migliore compromesso tra privacy e utilità per dataset sia a bassa sia ad alta dimensionalità. Alla soglia pratica di $\varepsilon$=5,0, gli algoritmi supervisionati raggiungono un’accuratezza dell’80-81%, riducendo al contempo gli attacchi di inferenza degli attributi fino al 18% e la correlazione nella ricostruzione dei dati del 70%. Rafforziamo inoltre la sicurezza integrando la blockchain, che garantisce comunicazioni affidabili per le applicazioni di analisi dei dati grazie alla marcatura temporale, alla tracciabilità e all’immutabilità. L’edge computing riduce la latenza di un fattore 8$\times$ negli scenari di emergenza, convalidando l’architettura gerarchica per le operazioni in cui il tempo è determinante.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv