通过数据匿名化和联邦学习技术保护电子健康记录（EHR）的隐私，以应用于基于物联网的智慧医疗城市项目

《Scientific Reports》：Privacy preservation of EHR by data anonymization and federated learning for IoT based smart city application in healthcare

　　

摘要

本文探讨了智慧城市中的隐私和安全挑战，特别是在处理医疗和农业等敏感数据的物联网（IoT）应用中。传统的安全解决方案往往无法满足物联网设备的能源和资源限制，从而在数据保护方面存在显著差距。为了解决这一问题，我们提出了一种两阶段的轻量级隐私保护方法。在第一阶段，使用“分散化匿名实例”（DIVA）对敏感数据进行匿名化和多样化处理，既保证了隐私又实现了高效处理。这种方法降低了通过敏感信息识别个人的风险。在第二阶段，采用了联邦学习（FL）技术，这是一种去中心化的机器学习方法，允许物联网设备在不共享原始数据的情况下协同训练模型，从而保护隐私。我们提出的方法基于信息损失、执行时间和可扩展性进行了评估，实验中改变了关键参数，如电子健康记录（EHR）的数量和k的值。结果表明，我们的方法显著减少了信息损失，提高了数据利用率，并保持了高效的执行性能，即使设备数量和数据点数量增加也是如此。这证明了我们的方法在保护智慧城市中物联网应用的隐私方面的可行性和有效性。我们的解决方案在实现能源高效机器学习的同时确保了数据隐私，适用于资源有限的物联网设备。它为医疗等关键领域提供了可扩展且实用的框架，在这些领域中，隐私和数据利用率至关重要。