F-BEGAN：基于BEGAN的联邦学习技术，用于保障基于物联网的医疗5.0系统在数据不平衡情况下的安全性与隐私保护

　　摘要物联网（IoT）和深度学习（DL）等前沿技术的进步，使得基于医疗物联网（IoMT）的医疗保健模式发生了变革，形成了被称为“医疗PG电子官网保健5.0”的新范式。这一范式转变尤其为医疗保健5.0带来了智能、高效且可持续的医疗服务。然而，在这种复杂且多元化的基于IoMT的网络中，智能设备会产

　　物联网（IoT）和深度学习（DL）等前沿技术的进步，使得基于医疗物联网（IoMT）的医疗保健模式发生了变革，形成了被称为“医疗保健5.0”的新范式。这一范式转变尤其为医疗保健5.0带来了智能、高效且可持续的医疗服务。然而，在这种复杂且多元化的基于IoMT的网络中，智能设备会产生大量不平衡数据。大多数深度学习模型难以准确区分恶意行为，因而无法有效检测网络威胁。为应对这些挑战并保障隐私安全，我们提出了一种基于生成对抗网络（GAN）的联邦学习（FL）模型。该模型能够生成逼真的合成数据，从而提升对少数类威胁的检测能力，而联邦学习则可在不泄露原始数据的情况下实现分布式训练。此外，还采用了双向长短期记忆（BiLSTM）网络来识别医疗保健5.0系统中各类攻击类型。在UNSW-NB15和NSL-KDDPG电子官网两个基准不平衡数据集上的实验结果表明，该模型在检测少数类攻击时的准确率分别为94.78%和95.90%，F1分数分别为94.88%和98.70%，性能优于现有方法。