在软件定义网络 (SDN) 中使用先进机器学习技术的高效入侵检测系统,用于医疗保健系统

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 医疗信息学 医疗信息学

背景情况:

• 医疗保健系统面临着重大安全挑战,原因是敏感的患者数据和不间断服务的需求.
• 目前的入侵检测系统 (IDS) 面临着高错误阳性率,精度差,响应时间缓慢和可扩展性问题.
• 这些局限性导致威胁管理效率低下,资源浪费,医疗保健网络安全性受到损害.

研究的目的:

• 为医疗保健网络提供一个高效的实时入侵检测系统 (IDS).
• 为了提高安全性,在软件定义网络 (SDN) 框架内利用先进的机器学习技术.
• 改善医疗环境中的威胁检测,响应能力和整体网络效率.

主要方法:

• 开发了一种集成机器学习模型的新型IDS架构,特别是混合支持矢量机 (SVM) 和K-近邻 (KNN) 方法.
• 使用软件定义网络 (SDN) 框架来实现动态威胁处理和控制网络操作.
• 实施了针对各种网络流量类型而设计的综合检测和缓解能力,以最小的干扰.

主要成果:

• 与传统模型相比,拟议的SVM-KNN混合模型在检测和缓解方面取得了30%的整体进展.
• 实现了显著的性能改进:CPU使用量减少20-30%,端到端延迟减少30-50%,延迟减少30-40%,传播延迟减少20-40%.
• 显示了20-30%更好的预测准确度,超过了模糊,物流回归和决策树方法.

结论:

• 集成的SVM-KNN和SDN方法为医疗保健网络安全提供了强大而高效的解决方案.
• 拟议的模型有效地解决了当前IDS的局限性,提供卓越的威胁检测,更快的响应和改进的网络性能.
• 这一进步对于保护敏感患者记录和确保医疗保健服务可靠性至关重要.