通过超学习增强医疗物联网 (IoMT) 安全性:针对整体入侵检测系统的性能驱动方法

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 医疗事物的互联网 (IoMT)

背景情况:

• 由于其异质和动态的性质,IoMT环境面临着独特的安全挑战.
• 现有的入侵检测系统 (IDS) 难以适应 IoMT 中不断变化的网络威胁.
• 强大的和适应性的安全解决方案对于保护敏感的医疗数据至关重要.

研究的目的:

• 研究将元学习应用于集体技术中的应用,以增强IoMT入侵检测.
• 开发一种新的以绩效为导向的加权元学习方法,用于动态组合优化.
• 为了提高 IoMT 设置中的 IDS 的准确性,检测率和 F1 评分.

主要方法:

• 集体学习策略包括堆叠和袋装与元学习相结合.
• 针对动态分类器权重分配,提出了一种以绩效为导向的加权元学习技术.
• 分类器权重的分配是基于精确度,损失和对优化组合IDS的信心水平.

主要成果:

• 拟议的基于元学习的整体IDS与现有模型相比,表现出优越的性能.
• 在准确性,检测率,F1得分和假阳性率方面观察到显著的改善.
• 该模型的有效性在各种输入特征大小中得到验证.

结论:

• 与集成式IDS集成的meta-learning提供了一种有前途的方法来加强IoMT网络安全.
• 通过加权的元学习,集体模型的动态优化增强了入侵检测能力.
• 进一步的研究可以提高IDS在保护医疗数据和物联网基础设施方面的性能.