פרוטוקול ניסיוני להגירה מאובטחת של נתונים בענן המונחית על ידי בינה מלאכותית הסבירה תוך שימוש בנתוני בריאות סינתטיים

Priyanka Nalawade; Prashant Kumbharkar; Pankaj Agarkar; Avanish Kumbharkar; Sudan Jha

doi:10.3791/71612

הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

פרוטוקול ניסיוני להגירה מאובטחת של נתונים בענן המונחית על ידי בינה מלאכותית הסבירה תוך שימוש בנתוני בריאות סינתטיים

339 צפיות

⸱

DOI:

10.3791/71612

⸱

14 באוגוסט 2026

Priyanka Nalawade¹^,² , Prashant Kumbharkar¹ , Pankaj Agarkar³ , Avanish Kumbharkar⁴ , Sudan Jha⁵

¹School of Engineering, Ajeenkya D Y Patil University, ²Department of Computer Engineering (Software Engineering), MIT Academy of Engineering, ³Ajeenkya D Y Patil SOE Lohegaon, ⁴MS Scholar, The University of Sydney, ⁵Department of Computer Science and Engineering, Kathmandu University

במאמר זה

סיכום

שיטה זו מציגה מסגרת מקיפה המבוססת על בינה מלאכותית הניתנת להסבר (XAI) כדי לאפשר הגירה מאובטחת של נתוני בריאות לענן, תוך שימוש במערך נתונים סינתטי של בריאות בתוך סביבת ענן מבוקרת. התוצאה היא אב-טיפוס המשלב אבטחת אפס-אמון (zero-trust), בקרת גישה מבוססת זמן וזיהוי חריגות ניתן להסבר, כדי לתמוך בשקיפות ובאבטחה של תהליך ההגירה.

תקציר

במערכות בריאות, מתבצעת יותר ויותר הגירה של נתונים לענן, אך דבר זה משנה גם את הזמנים שבהם העברת הנתונים מהווה ככל הנראה את הסיכון הגבוה ביותר מבחינת אבטחה. מאמר זה מתאר פרוטוקול הדיר בביצוע להגירה מאובטחת של נתוני ענן המבוססת על בינה מלאכותית ניתנת להסבר (XAI), תוך שימוש במערך נתונים סינתטי של בריאות ובסביבת ענן מבוקרת. המסגרה שפותחה משלבת ארכיטקטורת zero-trust, הרשאת מינימום זמנית (temporal least privilege), תקשורת מוצפנת, ניטור מרכזי וזיהוי חריגות ניתן להסבר, כדי להשיג הגירה מאובטחת, שקופה וניתנת לביקורת יותר. הבדיקות נעשו באמצעות מערך נתונים של 10 GB של רשומות בריאות אלקטרוניות סינתטיות, הכולל כ-20 מיליון רשומות הפרוסות על פני 28 טבלאות רלציוניות. תהליך ההגירה בוצע בשירותי Amazon web services (AWS) באמצעות בסיסי נתונים מסוג PostgreSQL ורשתות וירטואליות פרטיות. לצורך זיהוי חריגות נעשה שימוש ב-Isolation Forest, ו-Shapley additive explanations (SHAP) שימשו לפירוש מאובטח של אירועים. המסגרת הוערכה בעשרה ניסיונות הגירה נפרדים תוך שימוש במדדים כגון משך חשיפת האישוריים, זמן זיהוי אירועים, דיוק זיהוי חריגות, השהיית הגירה ושלמות הנתונים. תחת התצורה שנבדקה, חשיפת האישוריים הופחתה מ-24 h ל-1 h (הפחתה של 95.8%), דיוק זיהוי החריגות היה 97.4%, זמן זיהוי האירועים הופחת לכ-15 min, ושלמות נתונים של 100% נשמרה באמצעות אימות checksum. עם זאת, אמצעי האבטחה המחמירים יותר הובילו לעלייה ממוצעת של 11% בהשהיית ההגירה. תוצאות אלו מדגימות את הפוטנציאל שבשילוב של AI ניתנת להסבר עם זרימות עבודה של הגירת ענן מאובטחת לניהול נתוני בריאות.

מבוא

מחשוב ענן הוא כיום חלק בלתי נפרד ממערכות הבריאות ברחבי העולם, והוא מציע אחסון ניתן להרחבה, משאבים חישוביים ואת היכולת להחליף רשומות רפואיות, לתמוך במערכות תמיכה בקבלת החלטות ולאפשר ניתוחי נתונים בריאותיים באמצעות הענן¹^,²^,³. עם שדרוג מערכות המידע של מוסדות בריאות רבים, המעבר לענן הפך עבורם לצעד חיוני כדי להעביר את נתוני הבריאות הרגישים השמורים במערכות מקומיות מיושנות אל הענן⁴. הגירה נכונה מובילה לאחזור נתונים קל יותר, להרצת פעולות באופן יעיל יותר ולתמיכה בניתוחים עם רמות גבוהות יותר של אינטליגנציה, אך במקביל, לא ניתן להתעלם מסיכוני אבטחה ופרטיות חמורים ....