There have been significant advances in the field of Internet of Things (IoT) recently, which have not always considered security or data security concerns: A high degree of security is required when considering the sharing of medical data over networks. In most IoT-based systems, especially those within smart-homes and smart-cities, there is a bridging point (fog computing) between a sensor network and the Internet which often just performs basic functions such as translating between the protocols used in the Internet and sensor networks, as well as small amounts of data processing. The fog nodes can have useful knowledge and potential for constructive security and control over both the sensor network and the data transmitted over the Internet. Smart healthcare services utilise such networks of IoT systems. It is therefore vital that medical data emanating from IoT systems is highly secure, to prevent fraudulent use, whilst maintaining quality of service providing assured, verified and complete data. In this article, we examine the development of a Cognitive Fog (CF) model, for secure, smart healthcare services, that is able to make decisions such as opting-in and opting-out from running processes and invoking new processes when required, and providing security for the operational processes within the fog system. Overall, the proposed ensemble security model performed better in terms of Accuracy Rate, Detection Rate, and a lower False Positive Rate (standard intrusion detection measurements) than three base classifiers (K-NN, DBSCAN, and DT) using a standard security dataset (NSL-KDD).

中文翻译：

---

基于认知雾模型的医疗系统雾资源智能控制与安全

最近，物联网 (IoT) 领域取得了重大进展，但并不总是考虑安全或数据安全问题：在考虑通过网络共享医疗数据时，需要高度的安全性。在大多数基于物联网的系统中，尤其是在智能家居和智能城市中的系统中，传感器网络和互联网之间存在一个桥接点（雾计算），它通常只执行基本功能，例如在互联网中使用的协议之间进行转换和传感器网络，以及少量的数据处理。雾节点可以拥有有用的知识和潜力，可以对传感器网络和通过 Internet 传输的数据进行建设性安全和控制。智能医疗保健服务利用这种物联网系统网络。因此，来自物联网系统的医疗数据必须高度安全，以防止欺诈使用，同时保持服务质量，提供可靠、经​​过验证和完整的数据。在本文中，我们研究了认知雾 (CF) 模型的开发，该模型用于安全、智能的医疗保健服务，该模型能够做出诸如选择加入和选择退出正在运行的流程以及在需要时调用新流程等决策，以及为雾系统内的操作过程提供安全保障。总体而言，与使用标准安全数据集的三个基本分类器（K-NN、DBSCAN 和 DT）相比，所提出的集成安全模型在准确率、检测率和较低的误报率（标准入侵检测测量）方面表现更好（ NSL-KDD）。防止欺诈性使用，同时保持服务质量，提供可靠、经​​过验证和完整的数据。在本文中，我们研究了认知雾 (CF) 模型的开发，该模型用于安全、智能的医疗保健服务，该模型能够做出诸如选择加入和选择退出正在运行的流程以及在需要时调用新流程等决策，以及为雾系统内的操作过程提供安全保障。总体而言，与使用标准安全数据集的三个基本分类器（K-NN、DBSCAN 和 DT）相比，所提出的集成安全模型在准确率、检测率和较低的误报率（标准入侵检测测量）方面表现更好（ NSL-KDD）。防止欺诈性使用，同时保持服务质量，提供可靠、经​​过验证和完整的数据。在本文中，我们研究了认知雾 (CF) 模型的开发，该模型用于安全、智能的医疗保健服务，该模型能够做出诸如选择加入和选择退出正在运行的流程以及在需要时调用新流程等决策，以及为雾系统内的操作过程提供安全保障。总体而言，与使用标准安全数据集的三个基本分类器（K-NN、DBSCAN 和 DT）相比，所提出的集成安全模型在准确率、检测率和较低的误报率（标准入侵检测测量）方面表现更好（ NSL-KDD）。我们研究了认知雾 (CF) 模型的开发，用于安全、智能的医疗保健服务，该模型能够做出诸如选择加入和选择退出正在运行的流程以及在需要时调用新流程等决策，并为雾系统内的操作过程。总体而言，与使用标准安全数据集的三个基本分类器（K-NN、DBSCAN 和 DT）相比，所提出的集成安全模型在准确率、检测率和较低的误报率（标准入侵检测测量）方面表现更好（ NSL-KDD）。我们研究了认知雾 (CF) 模型的开发，用于安全、智能的医疗保健服务，该模型能够做出诸如选择加入和选择退出正在运行的流程以及在需要时调用新流程等决策，并为雾系统内的操作过程。总体而言，与使用标准安全数据集的三个基本分类器（K-NN、DBSCAN 和 DT）相比，所提出的集成安全模型在准确率、检测率和较低的误报率（标准入侵检测测量）方面表现更好（ NSL-KDD）。