Geri Dön

Tıbbi nesnelerin interneti (IoMT) için mahremiyet-artırıcı bir makine öğrenmesi yaklaşımı

A privacy-enhancing machine learning approach for the internet of medical things (IoMT)

PDF İndir

  1. Tez No: 988136
  2. Yazar: RIZWAN UZ ZAMAN WANI
  3. Danışmanlar: DOÇ. DR. ÖZGÜ CAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tıbbi Nesnelerin İnterneti'nin (Internet of Medical Things, IoMT) hızla yaygınlaşması, gerçek zamanlı izleme, uzaktan teşhis ve kişiselleştirilmiş tedavi gibi uygulamaları mümkün kılarak sağlık sistemlerinde önemli bir dönüşüm sağlamıştır. Ancak, hassas tıbbi verilerin merkezi Makine Öğrenmesi (Machine Learning, ML) modelleri aracılığıyla iletimi ve analizi, HIPAA ve GDPR gibi yasal düzenlemelerin sıklıkla ihlal edilmesine neden olmakta ve sistemleri araya girme saldırıları, fidye yazılımları ve diğer kötü niyetli siber tehditler gibi potansiyel saldırılara açık hale getirmektedir. AES, DES ve ECC gibi geleneksel kriptografik yöntemler, veri saklama ve iletim süreçlerinde gizlilik sağlasa da analiz öncesi verilerin şifresinin çözülmesini gerektirdiğinden hesaplama sırasında mahremiyeti koruyamamaktadır. Bunun sonucunda, hassas bilgiler olası ihlallere ve saldırılara maruz kalmasına yol açmaktadır. Bu tez çalışmasının amacı, sağlık verilerinin mahremiyetini koruyarak güvenli ve işbirlikçi ML yöntemleri geliştirmek ve IoMT alanında sağlık analitiğine yönelik mahremiyet odaklı bir çözüm sunmaktır. Bu amaçla, Mahremiyet Artırıcı Teknolojiler (Privacy Enhancing Technologies - PETs) ile ML yöntemleri bir araya getirilerek, kullanıcı verilerinin mahremiyetini koruyan bir çözüm yaklaşımı önerilmektedir. Önerilen yaklaşım, sağlık verilerinin mahremiyetini koruyarak güvenli ve işbirlikçi makine öğrenmesi süreçlerini mümkün kılan iki temel Mahremiyet Artırıcı Teknolojiye dayanmaktadır: Ho-momorfik Şifreleme (Homomorphic Encryption – HE) ve Federe Öğrenme (Fed-erated Learning – FL). HE, şifrelenmiş veriler üzerinde doğrudan hesaplama yapılmasını sağlarken, FL ise verilerin yerel cihazlarda tutulmasını mümkün kılarak merkezi veri paylaşımı gereksinimini ortadan kaldırmaktadır. Tez çalışmasının deneysel değerlendirmeleri, Meme Kanseri, Diyabet ve MIMIC-III veri setleri üzerinde gerçekleştirilmiştir. Deneylerde, Lojistik Regresyon (Lo-gistic Regression - LR), Destek Vektör Makinesi (Support Vector Machine - SVM) ve Çok-Katmanlı Algılayıcı (Multi-Layer Perceptron - MLP) yöntemleri kullanılmaktadır. Tez çalışması kapsamında, HE kullanılarak şifrelenmiş sağlık verileri üzerinde LR, SVM ve MLP modelleri eğitilmiş ve çıkarım işlemleri gerçekleştirilmiştir. Ek olarak, IoMT ortamlarında hassas sağlık verilerinin paylaşımını gerektirmeden işbirlikçi model eğitimi sağlayan FL yaklaşımı kullanılarak sağlık veri setleri üzerinde LR, SVM ve MLP modelleri ile elde edilen sonuçlar değerlendirilmiştir. Model mahremiyetine yönelik çıkarım (inference), kaçırma (evasion) ve zehirleme (poisoning) türü saldırılardan kaynaklanan zorlukların aşılması ve FL tabanlı makine öğrenmesi süreçlerinde hem veri hem de model mahremiyetinin güçlendirilmesi amacıyla, bu tez kapsamında iki hibrit yaklaşım önerilmektedir. Bu bağlamda, HE ile FL yöntemlerinin entegre edildiği FED-HE ve diferansiyel mahremiyetin (Differential Privacy, DP) FL yöntemi ile entegre edildiği FED-DP hibrit yaklaşımları geliştirilmiştir. FED-HE yaklaşımı, model ağırlıklarının şifrelenerek güvenli biçimde toplanmasını sağlayarak model mahremiyetini en üst düzeye çıkarmakta; FED-DP yaklaşımı ise model güncellemelerine gürültü ekleyerek veri mahremiyetini ve model parametrelerini korumaktadır. Çalışma-da, bu iki yaklaşımın mahremiyet-doğruluk dengesi kapsamlı biçimde analiz edilmiş, farklı uygulama senaryoları için uygunlukları tartışılmıştır. Tez çalışması sonucunda, sağlık hizmetlerinde uçtan uca güvenli ML için HE yaklaşımının potansiyeli gösterilmiş, FL yaklaşımının merkezi öğrenme yöntemlerine benzer doğruluk sağlarken dağıtık sağlık hizmeti ortamları için hasta mahremiyetini önemli ölçüde koruduğu deneysel olarak gösterilmiş, öner-ilen FED-HE yaklaşımı ile model ağırlıkları şifrelenerek güvenli model güncellemesi sağlanmış ve yüksek düzeyde veri/model mahremiyeti elde edilmiş, önerilen FED-DP yaklaşımı ile düşük hesaplama maliyetli ve kaynak kısıtlı ortamlara uygun bir mahremiyet korunması sağlanmıştır. Böylelikle, IoMT tabanlı akıllı sağlık altyapıları için güvenli, mevzuata uyumlu ve verimli makine öğrenimi modellerinin uygulanmasına yönelik bütüncül bir yaklaşım geliştirilmiştir.

Özet (Çeviri)

The rapid expansion of the Internet of Medical Things (IoMT) has driven a significant transformation in healthcare systems by enabling applications such as real-time monitoring, remote diagnosis, and personalized treatment. However, the transmission and analysis of sensitive medical data through centralized Machine Learning (ML) models frequently lead to violations of regulatory frameworks such as HIPAA and GDPR, while also exposing systems to potential threats including man-in-the-middle attacks, ransomware, and other malicious cyber intrusions. Although traditional cryptographic methods such as AES, DES, and ECC ensure confidentiality during data storage and transmission, they require decryption prior to analysis and therefore fail to preserve privacy during computation. Consequently, sensitive information becomes vulnerable to potential breaches and attacks. The aim of this thesis is to develop secure and collaborative ML methods that preserve the privacy of healthcare data and to propose a privacy-oriented solution for healthcare analytics in the IoMT domain. To achieve this objective, Privacy Enhancing Technologies (PETs) are integrated with ML approaches to establish a solution framework that safeguards user data privacy. The proposed approach primarily employs Homomorphic Encryption (HE) and Federated Learning (FL). The experimental evaluations of the thesis were conducted on Breast Cancer, Diabetes, and MIMIC-III datasets. In these experiments, Logistic Regression (LR), Support Vector Machine (SVM), and Multi-Layer Perceptron (MLP) methods were applied. Within the scope of the study, LR, SVM, and MLP models were trained and inference was performed on encrypted healthcare data using HE. Additionally, FL was utilized to enable collaborative model training over healthcare datasets without requiring the sharing of sensitive data in IoMT environments, and the results obtained using LR, SVM, and MLP models were evaluated. In order to overcome the challenges arising from inference, evasion and poisoning attacks targeting model privacy, and to strengthen both data and model privacy in FL-based machine learning processes, two hybrid approaches are proposed in this thesis. In this context, the FED-HE hybrid approach, which integrates HE with FL, and the FED-DP hybrid approach, which integrates Differential Privacy (DP) with FL, have been developed. The FED-HE approach maximizes model privacy by securely aggregating encrypted model weights, while the FED-DP approach protects both data privacy and model parameters by adding noise to model updates. In this study, the privacy–accuracy trade-off of these two approaches is comprehensively analyzed, and their applicability to different implementation scenarios is discussed. The results of the thesis demonstrate the potential of HE for enabling end-to-end secure ML in healthcare, show that FL can achieve accuracy comparable to centralized learning while significantly preserving patient privacy in distributed healthcare settings, and validate that the proposed FED-HE approach provides secure model updates by encrypting model weights to achieve a high level of data/model privacy. In addition, the proposed FED-DP approach ensures privacy protection with low computational cost, making it suitable for resource-constrained environments. Thus, a comprehensive framework has been developed for the deployment of secure, regulation-compliant, and efficient ML models in IoMT-based smart healthcare infrastructures.

Benzer Tezler

  1. Tez No

    999073

    Hybrıd explaınable model for class-ımbalance mıtagatıon and multı-protocol attack detectıon ın ıomt devıces

    Hybrid explainable model for class-imbalance mitagation and multi-protocol attack detection in iomt devices

    ABUALQASIM KHALIL ISMAEL ISMAEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ROA'A ALI ABDULLAH MOHAMMEDQASEM

  2. Tez No

    986390

    IoMT ağlar için yapay zeka tabanlı yeni bir saldırı tespit sistemi

    A new intrusion detection system for an iomt network based on artificial intelligence

    YOUSIF HOSAIN DAKHIL AL-BEHADILI

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMET ÇAKMAK

  3. Tez No

    944682

    A novel artificial intelligence approach to strengthen intrusion detection system for internet of medical things

    Medikal nesnelerin interneti için ağa sızmayı algılama sistemini güçlendirmeye yönelik yeni bir yapay zeka yaklaşımı

    GÖKHAN AKAR

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ONAT

    DOÇ. DR. ÜNAL ÇAVUŞOĞLU

  4. Tez No

    973695

    Nesnelerin interneti teknolojisi ile uzaktan kronik hastalık takibinin sağlık turizmine uyarlanabilirliğinin ulusal ve uluslararası yayınlarda metin madenciliği yöntemiyle incelenmesi

    Analysis of the adaptability of remote chronic disease monitoring with internet of things technology to health tourism through text mining in national and international publications

    ŞAFAK EZGİ GÜNDOĞMUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İstatistikAlanya Alaaddin Keykubat Üniversitesi

    Sağlık Turizmi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜMEYRA ÇELİK

  5. Tez No

    916005

    Nesnelerin interneti tabanlı ağlardaderin öğrenme ile saldırı tespiti

    Deep learning based attack detection in internet of things networks

    NADİR CAN KAVKAS

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KAZIM YILDIZ

Geri Dön