Identificación de características significativas en el marco de detección de ataques adversos utilizando la seguridad...

Área de la Ciencia:

• Ciberseguridad e Inteligencia Artificial en el cuidado de la salud
• Aplicaciones de aprendizaje automático y aprendizaje profundo

Sus antecedentes:

• El Internet de las Cosas Médicas (IoHT) ofrece importantes beneficios para la salud, pero se enfrenta a desafíos críticos de ciberseguridad, en particular ataques adversos a las redes neuronales.
• Los mecanismos de defensa existentes luchan con la aplicabilidad en el mundo real, lo que requiere métodos sólidos para detectar y mitigar las vulnerabilidades de la IA en los sistemas críticos de atención médica.
• El aprendizaje federado (FL) permite el entrenamiento de modelos colaborativos al tiempo que protege la privacidad del usuario, pero sigue siendo susceptible a los ataques de participantes maliciosos.

Objetivo del estudio:

• Desarrollar un marco avanzado de detección de ataques adversos utilizando el modelo de aprendizaje federado potenciado por IoT Medical (AADF-FLEIo TM).
• Mejorar la seguridad y fiabilidad de los métodos de IA en entornos IoHT mediante la detección efectiva de ataques adversos.

Principales métodos:

• Implementación de un modelo híbrido que integre el aprendizaje federado con técnicas avanzadas de aprendizaje profundo.
• Utilizó la normalización min-max para el preprocesamiento de datos, el algoritmo Marine Predator (MPA) para la selección de características y una memoria de corto plazo de red neuronal convolucional bidireccional con autoatención (SA-CNN-BiLS TM) para la detección.
• Se han optimizado los hiperparámetros SA-CNN-BiLSTM utilizando el algoritmo de optimización Red-Tail Hawk (RTH) para un rendimiento de clasificación superior.

Principales resultados:

• El modelo AADF-FLEIoTM demostró un rendimiento superior en la detección de ataques adversos en un conjunto de datos de seguridad de atención médica IoT.
• Logró una alta precisión del 98,24%, superando a los modelos existentes en la identificación y clasificación de amenazas dentro del entorno IoHT.
• El MPA y el optimizador RTH mejoraron efectivamente la selección de características y el ajuste de hiperparámetros del modelo, respectivamente.

Conclusiones:

• El marco propuesto AADF-FLEIoTM ofrece una solución robusta y eficaz para detectar ataques adversos en los sistemas IoHT.
• La integración del aprendizaje federado y las técnicas avanzadas de aprendizaje profundo mejora significativamente la seguridad y la fiabilidad de los dispositivos IoT médicos.
• Este estudio destaca el potencial de los modelos híbridos de IA para salvaguardar los datos sensibles de atención médica contra las amenazas cibernéticas sofisticadas.