优化对IoMT网络的入侵检测,使用基于树的机器学习和基于过器的特征选择
Ghaida Balhareth1, Mohammad Ilyas1
1Department of Electrical Engineering & Computer Science, Florida Atlantic University, 777 Glades Road, Boca Raton, FL 33431, USA.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
这项研究为医疗物联网 (IoMT) 网络引入了一种高效的入侵检测系统 (IDS),达到98.79%的准确性. 该系统通过检测数据传输期间的恶意活动来增强IoMT的安全性,保护敏感的患者信息.
科学领域:
- 网络安全 网络安全
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 医疗物联网 (IoMT) 产生了大量的健康数据,需要安全的传输和处理.
- 由于IoMT设备的存储和计算能力有限,因此在数据传输过程中对安全和隐私风险的脆弱性增加.
- 现有的入侵检测系统 (IDS) 可能无法针对IoMT环境的独特挑战进行优化.
研究的目的:
- 专门为医疗物联网 (IoMT) 网络开发和增强一个高效的入侵检测系统 (IDS).
- 提高IoMT设备和网络中检测未经授权或恶意活动的准确性和效率.
- 为解决IoMT系统中数据传输产生的安全和隐私问题.
主要方法:
- 利用基于树的机器学习分类器来进行入侵检测.
- 采用基于过器的功能选择技术,包括相互信息 (MI) 和XGBoost,以优化性能和降低计算成本.
- 利用数学集交叉来完善特征选择,提高网络边缘的检测准确性和效率.
主要成果:
- 在CICIDS2017数据集上实现了98.79%的高精度.
- 证明了0.007的低错误报警率 (FAR),表明可靠的入侵检测.
- 在数据传输过程中成功检测到入侵者,从而实现安全有效的医疗数据分析.
结论:
- 拟议的IDS有效地提高了IoMT网络的安全性和隐私性.
- 先进的功能选择和机器学习的结合为实时威胁检测提供了强大的解决方案.
- 未来的工作包括开发用于攻击分类的多分类方法,并在现实世界IoMT场景中评估性能.
