基于物联网的医疗保健中的异常检测:用于增强安全性的机器学习

科学领域:

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

背景情况:

• 物联网 (IoT) 在医疗保健中的整合提供了显著的好处,但在数据安全和隐私方面面临着挑战.
• 物联网设备收集敏感的患者数据,使他们容易受到网络攻击.
• 有效检测异常网络流量对于保护医疗保健物联网系统至关重要.

研究的目的:

• 开发和评估机器学习模型,以有效检测医疗保健物联网环境中的异常网络流量.
• 用加拿大网络安全研究所 (CIC) 的物联网数据集来评估各种监督学习算法的性能.
• 为实时攻击检测和响应优化模型.

主要方法:

• 利用加拿大网络安全研究所 (CIC) 的物联网数据集,预处理以实现平衡的阶级表示.
• 开发并比较监督机器学习模型:随机森林,自适应提升,物流回归,感知器和深度神经网络.
• 应用特征选择,维度减小和过拟合最小化技术来优化模型.

主要成果:

• 随机森林在物联网攻击的二进制和多类分类中展示了最佳性能.
• 通过随机森林模型实现了大约99.55%的准确性,无论特征空间减少.
• 观察到计算响应时间的减少,这对于实时检测至关重要.

结论:

• 机器学习,特别是随机森林,对于检测医疗保健中的物联网网络攻击非常有效.
• 优化的模型提供准确和快速识别网络威胁,增强医疗保健物联网安全.
• 该研究强调了机器学习在联网医疗保健系统中保护敏感患者数据的潜力.