在医疗物联网中使用基于模糊的学习的自适应入侵检测系统

科学领域:

• 网络安全 网络安全
• 医疗保健技术 技术 医疗保健 技术
• 机器学习 机器学习

背景情况:

• 医疗物联网 (IoMT) 增强了医疗保健,但面临着来自不断变化的威胁的重大网络安全风险.
• 现有的入侵检测系统 (IDS) 难以跟上对IoMT设备的复杂网络攻击.
• 机器学习和深度学习为IoMT中更准确和更具预测性的攻击检测提供了先进的解决方案.

研究的目的:

• 提出一种新的基于模糊的自调长期短期记忆 (LSTM) 入侵检测系统 (IDS),专门为医疗物联网 (IoMT) 设计.
• 通过结合动态调整机制来解决深度学习模型中静态参数设置的局限性.
• 提高IoMT环境中入侵检测的准确性,效率和预测能力.

主要方法:

• 基于模糊的自调 LSTM 侵入检测系统 (IDS) 的开发.
• 实施动态调整时代的数量,并利用早期停止,以防止过度装配和不足装配.
• 对IoMT进行了广泛的实验评估,并与现有的IDS模型进行了比较.

主要成果:

• 拟议的基于模糊的自调 LSTM IDS 在检测入侵方面表现出高准确性.
• 该模型实现了低虚假阳性率,这对于可靠的医疗保健操作至关重要.
• 观察到高检测率,表明在识别对IoMT设备的网络威胁方面具有显著的有效性.

结论:

• 基于模糊的自调 LSTM IDS 是提高 IoMT 网络安全的有效解决方案.
• 训练参数如时代和批量大小的动态调整对于最佳的深度学习模型性能至关重要.
• 这项研究有助于开发更强大,更准确的IDS,以保护IoMT环境免受网络攻击.