هوش مصنوعی | متن کامل رایگان | ZTCloudGuard: چارچوب مدیریت دسترسی آگاه به زمینه Zero Trust برای جلوگیری از خطاهای پزشکی در عصر هوش مصنوعی و اکوسیستم های اطلاعات سلامت مبتنی بر ابر

۳٫۳٫ ارزیابی اعتماد

ساختن یک سیستم بدون اعتماد مستلزم تعریف مجموعه ای از ویژگی ها از دسته های مختلف برای تایید چرخه اعتماد است. برای ارزیابی روابط معنایی و نحوی بین منابع ورودی ابر از کاربران، دستگاه‌ها و داده‌های خروجی، اکوسیستم اعتماد صفر باید از طریق یک چرخه اعتماد مداوم با اجرای یک سری و زنجیره اعتماد تأیید شود. زنجیره اعتماد برای تصمیم‌گیری در مورد اینکه چه سطحی از دسترسی می‌تواند اعطا شود و در صورتی که اتصال کمتر از آستانه نمره اعتماد قابل قبول باشد، رد کردن دسترسی مهم است.

شکل ۴ زنجیره اعتماد و معیارهای امتیازدهی ارزیابی را در اکوسیستم ابری نشان می دهد. چارچوب پیشنهادی دو معیار امتیازدهی ارزیابی را برای مدیریت دسترسی به دستگاه‌های پزشکی توزیع شده ایجاد می‌کند. اول اعتماد انتقادی است (

ج تی

) که به میکروسرویس های بومی ابری متکی است. دوم اعتماد اوراق قرضه (

ب تی

) که یک طرح امتیازدهی پیشنهادی برای مدیریت کنترل دسترسی است که در زیر توضیح داده شده است.

ب تی

از مدل‌های یادگیری ماشینی از پیش آموزش‌دیده برای تجزیه و تحلیل ویژگی‌های معنایی و نحوی از تغییرات مورد اعتماد و مجاز ستون‌های چرخه اعتماد صفر استفاده می‌کند، بخش ۳٫۲ مربوط به کاربران، دستگاه‌ها و خروجی داده را ببینید.

اعتماد انتقادی (

ج تی

ج تی

معیارهای ارزیابی اولیه و امتیازدهی مورد استفاده برای اعطای دسترسی به اکوسیستم ابری است. این کمک هزینه ارزیابی اولیه است و برای اتصال مستقیم به منابع پشتیبان برای ذخیره سازی و محاسبات نیست.

ج تی

مهم است زیرا به عنوان یک لایه امنیتی اضافی برای جدا کردن کنترل دسترسی کاربر از منابع داده واقعی عمل می کند.

ج تی

با استفاده از میکروسرویس های مبتنی بر ابر ارزیابی می شود. چهار ویژگی اصلی برای امتیاز اعتماد بحرانی وجود دارد. ریزسرویس‌های مبتنی بر ابر مانند مجوز، احراز هویت، ورود به سیستم و رمزگذاری دیجیتالی می‌شوند تا نتیجه نهایی را بدست آورند. $ج تی$ امتیاز، مطابق با معادله (۱).

به هر ویژگی میکروسرویس یک مقدار منطقی، یعنی ۱ یا ۰ اختصاص داده می شود. سپس، مقادیر منطقی این میکروسرویس ها در یک ضریب امتیاز ضرب می شوند.

{اس}_{من}

) بر اساس اهمیت آنها که توسط مدیر سیستم قابل تنظیم است. موتور تصمیم ابری وضعیت دسترسی را به اجازه برای مقام قابل اعتماد تایید کنید اینکه آیا اطلاعات بیشتری مورد نیاز است، و انکار درخواست های دسترسی غیر قابل اعتماد

$ج تی = {اس}_{۱} ایکس آ_{۱} + {اس}_{۲} ایکس آ_{۲} + {اس}_{۳} ایکس آ_{۳} + {اس}_{۴} ایکس آ_{۴}$

(۱)

در معادله فوق،

آ_{۱}

احراز هویت و ضریب امتیاز دهی آن است

{اس}_{۱}

;

آ_{۲}

مجوز و ضریب امتیاز دهی آن است

{اس}_{۲}

;

آ_{۳}

رمزگذاری و ضریب امتیاز دهی آن است

{اس}_{۳}

; و

آ_{۴}

ورود به سیستم، با ضریب امتیاز دهی است

{اس}_{۴}

. جدول ۱ نمونه ای از ارزیابی امتیاز اعتماد بحرانی را با استفاده از عوامل امتیازدهی مختلف و مقادیر منطقی خدمات خرد ارائه می دهد.

باند تراست ( $ب تی$ ): هنگامی که یک تراکنش از ارزیابی اعتماد حیاتی عبور می کند، اعتماد اوراق قرضه برای ارزیابی رابطه با منابع دیگر به منظور ایجاد یک چرخه اعتماد استفاده می شود، و اطمینان حاصل شود که تنها بازیگران مجاز و بسیار قابل اعتماد و افراد تعیین شده می توانند به داده ها یا منابع بر اساس سیاست ها یا قوانین سازمانی محاسبه اعتماد اوراق قرضه پیچیده تر است و به چندین جنبه مختلف بستگی دارد. $ب تی$ دارای دو معیار اصلی ارزیابی است. اولی این است $ب {تی}_{آ}$ ، که رابطه معنایی بین هر ویژگی فردی ذخیره شده در سیستم اطلاعات مراقبت های بهداشتی را ارزیابی می کند. دوم این است $ب {تی}_{ب}$ ، که رابطه نحوی بین مجموعه نامزدها را در یک گزارش سلامت تولید شده ارزیابی می کند. دلیل استفاده از این دو معیار، اولاً این است که لازم است هر صفت در مقایسه با صفت از پیش تعلیم داده شده، معنا داشته باشد و با صفات مشابهی مرتبط باشد. دومین؛ ضروری است تضمین شود که ویژگی‌های گزارش تولید شده با زمینه سابقه بیمار مطابقت دارد تا اطمینان حاصل شود که احتمال زیاد مربوط به همان بیمار است و از تشخیص‌های نادرست به دلیل داشتن مورد اشتباه اجتناب شود.

ارزیابی پیشنهادی از

ب {تی}_{آ}

از یک نمایش Attribute2Vec بر اساس یک مدل Word2Vec از پیش آموزش دیده استفاده می کند [۴۰,۴۱]. Attribute2Vec برای ترسیم ویژگی ها و مترادف های آنها به کلماتی استفاده می شود که زمینه یکسانی از کاربر دارند (ایکس، سخت افزار (yو خروجی (ز) ویژگی های ذخیره شده در پرونده الکترونیک سلامت آنها. روش پرش گرم [۴۲] برای استخراج صفات با زمینه یکسان استفاده می شود. در این چارچوب پیشنهاد می کنیم از سه کلمه اول با بیشترین احتمال زمینه استفاده کنید. مزیت استفاده از این تکنیک ارزیابی تعمیم مدل با پذیرش طیف گسترده ای از توصیفات ویژگی در یک زمینه جهانی است. Word2Vec برای زبان ها و گویش های مختلف معتبر است. به عنوان مثال، توسط Altibbi.com استفاده شد [۴۳] برای آموزش ۱٫۵ میلیون سوال مشاوره پزشکی به زبان عربی. توصیه می‌کنیم از یک موتور تطبیق در پلتفرم Vertex AI در Google Cloud استفاده کنید تا اطمینان حاصل شود که فرآیندهای تطبیق واژگان و شباهت برداری کارآمد و قابل اعتماد هستند.

شکل ۵ روند ارزیابی اعتماد اوراق قرضه را نشان می دهد. ورودی دارای سه ویژگی است: کاربران، دستگاه ها و خروجی. لایه پنهان ویژگی ها و

اس O f تی م آ ایکس

لایه برای پیش بینی احتمال و استخراج مجموعه ای از ویژگی های مشابه که بیشترین احتمال را دارد استفاده می شود. در این تحقیق سه ویژگی بالاترین را انتخاب کردیم. در نهایت، شباهت کسینوس برای پیش‌بینی رابطه بین صفات از دسته‌های مختلف (x، y، و z) استفاده می‌شود. سپس از امتیازدهی اعتماد اوراق بهادار برای استخراج امتیاز نهایی استفاده می‌شود تا در مورد پذیرش یا رد ویژگی‌ها براساس آستانه از پیش تعریف‌شده تصمیم‌گیری شود.

فاصله کسینوس در معادله (۲) برای پیش بینی احتمال شباهت زمینه صفات استفاده می شود. ایکس، yو ز:

$شباهت (آ ، ب) = cos (من) = \frac{\vec{آ} \cdot \vec{ب}}{∥\vec{آ}∥ ∥\vec{ب}∥}$

(۲)

جایی که $\vec{آ} \cdot \vec{ب} = \sum_{من = ۱}^{ن} (آ_{من} ایکس ب_{من})$ حاصل ضرب نقطه ای بین دو ویژگی برداری است $\vec{آ}$ و $\vec{ب}$ در حالی که $∥\vec{آ}∥ = \sqrt{\sum_{من = ۱}^{ن} {(آ_{من})}^{۲}}$ ، $∥\vec{ب}∥ = \sqrt{\sum_{من = ۱}^{ن} {(ب_{من})}^{۲}}$ هنجارهای L2 مربوط به صفات هستند $\vec{آ}$ و $\vec{ب}$ و $من$ زاویه بین دو بردار است.

بردارهای صفت با بیشترین احتمال بین ایکس، yو ز سپس برای استخراج رابطه متقابل پیوند یا معنایی در سه مجموعه امتیاز اعتماد باند استفاده می شود: $ب {تی}_{آ (۱)}$ ، $ب {تی}_{آ (۲)}$ و $ب {تی}_{آ (۳)}$ برای روابط بین $ایکس y$ ، $ایکس ز$ و $y ز$ کجاست $ب {تی}_{آ (من)}$ مجموعه اعتماد اوراق قرضه است که با استفاده از دو ورودی شرح داده شده در زیر مشتق شده است.

الف. ارزیابی منطقی شباهت کسینوس: الگوریتم ۱ برای تخصیص یک مقدار منطقی به شباهت کسینوس بین دو ویژگی استفاده می‌شود، با گرفتن مقدار اختصاص داده شده یک یا صفر بر اساس رابطه بین ویژگی‌ها. ایکس، yو ز. مقدار بر اساس آستانه زاویه اختصاص داده می شود

من

بین دو صفت از رابطه (۲) برای استخراج استفاده می شود

من

با استفاده از شباهت کسینوس بین حاصلضرب بردار صفت برای شاخص داده شده من یا موقعیت برای ویژگی های زمینه مشابه. الگوریتم مجموعه ای از سه مقدار منطقی را تولید می کند

اس من {متر}_{آ} ({\vec{ایکس}}_{من} ، {\vec{y}}_{من})

اس من {متر}_{ب} ({\vec{ایکس}}_{من} ، {\vec{ز}}_{من})

اس من {متر}_{ج} ({\vec{y}}_{من} ، {\vec{ز}}_{من})

برای هر شاخص داده شده من.

الگوریتم ۱ الگوریتم برای فرآیند ارزیابی منطقی شباهت کسینوس پیشنهادی

ورودی: کاربر (ایکس)، دستگاه (y، داده های خروجی (ز، آستانه زاویه ( $تی {ساعت}_{من}$ )

۱:: اگر ${من}_{ایکس y} \geq تی {ساعت}_{من}$ سپس
۲:: $اس من {متر}_{آ} ({\vec{ایکس}}_{من} ، {\vec{y}}_{من}) = ۱$
۳:: دیگر اگر ${من}_{ایکس y} < تی {ساعت}_{من}$ سپس
۴:: $اس من {متر}_{آ} ({\vec{ایکس}}_{من} ، {\vec{y}}_{من}) = ۰$
۵:: پایان اگر
۶:: اگر ${من}_{ایکس ز} \geq تی {ساعت}_{من}$ سپس
۷:: $اس من {متر}_{ب} ({\vec{ایکس}}_{من} ، {\vec{ز}}_{من}) = ۱$
۸:: دیگر اگر ${من}_{ایکس y} < تی {ساعت}_{من}$ سپس
۹:: $اس من {متر}_{ب} ({\vec{ایکس}}_{من} ، {\vec{ز}}_{من}) = ۰$
۱۰:: پایان اگر
۱۱:: اگر ${من}_{y ز} \geq تی {ساعت}_{من}$ سپس
۱۲:: $اس من {متر}_{ج} ({\vec{y}}_{من} ، {\vec{ز}}_{من}) = ۱$
۱۳:: دیگر اگر ${من}_{y ز} < تی {ساعت}_{من}$ سپس
۱۴:: $اس من {متر}_{ج} ({\vec{y}}_{من} ، {\vec{ز}}_{من}) = ۰$
۱۵:: پایان اگر
۱۶:: خروجی: $اس من {متر}_{آ} ({\vec{ایکس}}_{من} ، {\vec{y}}_{من})$ ، $اس من {متر}_{ب} ({\vec{ایکس}}_{من} ، {\vec{ز}}_{من})$ ، $اس من {متر}_{ج} ({\vec{y}}_{من} ، {\vec{ز}}_{من})$

ب. وزن: وزن با استفاده از مدل تعبیه کلمه GloVe محاسبه می شود [۴۴] برای در نظر گرفتن همزمانی ویژگی ها در زمینه بازنمایی جهانی پایگاه داده مراقبت های بهداشتی. وزن بر اساس احتمال شرطی وقوع یا اهمیت ویژگی است، همانطور که در رابطه (۳) نشان داده شده است: که در آن

w_{من}

احتمال کلمات است ب در متن کلمات رخ می دهد آ در یک شاخص معین من از دو ویژگی معنایی یا نحوی مشابه.

سه مقدار اسکالر از

ب {تی}_{آ (۱)}

ب {تی}_{آ (۲)}

ب {تی}_{آ (۳)}

در ذخیره می شوند

ب {تی}_{آ}

همانطور که در معادله (۴) نشان داده شده است

ب {تی}_{آ}

هست یک

۱ ایکس ۳

بردارها:

$ب {تی}_{آ} = [B T_{A (۱)}, B T_{A (۲)}, B T_{A (۳)}] .$

(۴)

در معادله فوق،

ب {تی}_{۱}

امتیاز رابطه بین کاربر است (ایکس) و سخت افزار (yو با استفاده از رابطه (۵) به دست می آید.

ب {تی}_{۲}

امتیاز رابطه بین کاربر است (ایکس) و خروجی (زو با استفاده از رابطه (۶) به دست می آید. و

ب {تی}_{۳}

نمره رابطه بین خروجی است (ز) و سخت افزار (y، و با استفاده از رابطه (۷) به دست می آید:

$ب {تی}_{آ (۱)} = \sum_{من = ۱}^{ن} {(w_{من})}_{ایکس y} \cdot اس من {متر}_{آ} ({\vec{ایکس}}_{من} ، {\vec{y}}_{من})$

(۵)

$ب {تی}_{آ (۲)} = \sum_{من = ۱}^{ن} {(w_{من})}_{ایکس ز} \cdot اس من {متر}_{ب} ({\vec{ایکس}}_{من} ، {\vec{ز}}_{من})$

(۶)

$ب {تی}_{آ (۳)} = \sum_{من = ۱}^{ن} {(w_{من})}_{y ز} \cdot اس من {متر}_{ج} ({\vec{y}}_{من} ، {\vec{ز}}_{من})$

(۷)

جایی که $w_{من}$ یک وزن اسکالر است که برای مقیاس بندی امتیاز پیوند برای هر ویژگی بر اساس اهمیت ویژگی در داده شده استفاده می شود. من و از رابطه (۳) و ن تعداد دنباله ای از صفات است که بر اساس احتمال رابطه زمینه آنها شماره گذاری می شوند. فقط هر ویژگی کلاس مشابه کاربر، دستگاه ها و خروجی در یکدیگر ضرب می شود. اگر به یک دسته تعلق داشته باشند، الگوریتم به آنها نمره شباهت ۰ یا ۱ اختصاص می دهد، سپس آنها را در وزن اسکالر برای آن ویژگی ضرب می کند. این مرحله برای همه صفات تکرار می شود. سپس ضرب نهایی برای به دست آوردن یک عدد اسکالر نهایی که شبیه امتیاز شباهت ترکیبی است جمع می شود. $ب {تی}_{آ (من)}$ .

را

ب {تی}_{آ (من)}

بردار در رابطه (۸) با استفاده از

اس O f تی م آ ایکس

تابع. فرآیند عادی سازی یک بردار جدید تولید می کند

ب تی ن

از بعد

۱ ایکس ۳

$ب تی ن_{من} = سافت مکس (ب {تی}_{آ (من)}) = \frac{انقضا (ب {تی}_{آ (من)})}{\sum_{جی} انقضا (ب {تی}_{آ (جی)})}$

(۸)

نتیجه در معادله (۹) ذخیره می شود و دارای سه مقدار اسکالر است که بین صفر و یک هستند.

$ب تی ن_{من} = [B T N_{۱}, B T N_{۲}, B T N_{۳}]$

(۹)

بخش اول امتیاز اوراق قرضه در رابطه (۱۰) با تجمیع سه امتیاز نرمال شده محاسبه می شود.

ب تی ن_{۱}

ب تی ن_{۲}

ب تی ن_{۳}

$ب {تی}_{آ} = ب تی ن_{۱} + ب تی ن_{۲} + ب تی ن_{۳}$

(۱۰)

جایی که $ب {تی}_{آ}$ مقداری بین صفر و یک می گیرد، جایی که صفر نشان دهنده ویژگی های کاملاً غیر منطبق و یک نشان دهنده بیشترین تطابق شباهت ویژگی است. هر عددی بین صفر و یک نیاز به تایید اعتماد و ارزیابی مجدد دارد.

همزمان

ب {تی}_{ب}

برای ارزیابی شباهت در متن گزارش تولید شده با ارزیابی عملکرد نحوی گزارش نامزد تولید شده از داده های ذخیره شده در سیستم اطلاعات مراقبت های بهداشتی استفاده می شود. برخلاف تحلیل معنایی، تحلیل نحوی برای ارزیابی یک گزارش کامل، نه فقط معنای یک کلمه، مؤثر است. از سوی دیگر، تحلیل معنایی با استفاده از ویژگی های مختلف مرتبط با احتمال، تحلیل زمینه ای وسیع تری ارائه می دهد.

ب {تی}_{ب}

الهام گرفته شده از

ب L E U

نمره [۴۵]که در ابتدا توسط

من ب م

برای امتیاز دهی به ارزیابی های ترجمه ماشینی، همانطور که در معادله (۱۱) نشان داده شده است:

$ب {تی}_{ب} = دقیقه (۱ ، ه ایکس پ (۱ - \frac{r ه f ه r ه n ج ه - ل ه n g تی ساعت}{O تو تی پ تو تی - ل ه n g تی ساعت})) {(پ_{من = ۱}^{n} پ r ه ج من س من O n_{من})}^{۱ / n}$

(۱۱)

جایی که دیده می شود که $ب {تی}_{ب}$ دارای دو بخش اولی جریمه اختصار است که طول گزارش تولید شده کوتاه را جبران می کند، در حالی که دومی دقت برای نامزدهای n-gram است. اینجا n به تعداد نامزدهای مورد استفاده برای ارزیابی نمره اشاره دارد. علامت گذاری n معمولاً ۴ است و می توان آن را افزایش داد تا محدودیت های بیشتری در مورد شناسایی خطاهای پزشکی لحاظ شود. در شرایطی که $n = ۴$ را $ب L E U$ امتیاز مستلزم آن است که گزارش نامزد حداقل با چهار ویژگی با الگوی مرجع مطابقت داشته باشد.

در یک مورد بدون سابقه بیمار،

ب {تی}_{ب}

نمره صفر است، که آن را برای تحلیل نحوی کمتر می کند. این ارزیابی امتیازدهی زمانی معنادارتر است که بیمار سابقه قبلی در EHR داشته باشد. تراست اوراق قرضه نهایی، جمع را عادی می کند

ب {تی}_{آ}

ب {تی}_{ب}

برای حفظ مقدار بین صفر و یک در رابطه (۱۲).

$ب تی = \frac{ب {تی}_{آ} + ب {تی}_{ب}}{۲}$

(۱۲)

منبع: https://www.mdpi.com/2673-2688/5/3/55

۳٫۳٫ ارزیابی اعتماد

دیدگاهتان را بنویسید لغو پاسخ