一种可解释的尺寸缩小技术,具有可解释的模型,用于检测医疗物联网设备中的攻击

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 医疗物联网 (IoMT) 设备容易受到网络攻击,危及患者数据完整性.
• 现有的IoMT入侵检测机器学习模型缺乏透明度,并与稀疏,不平衡的数据集作斗争.
• 在IoMT中,对可解释和高效的安全解决方案的需求至关重要.

研究的目的:

• 开发一种可解释的特征选择技术,以提高IoMT入侵检测.
• 提高机器学习模型在识别IoMT网络威胁方面的准确性和效率.
• 为用于IoMT安全的AI模型的决策过程提供透明度.

主要方法:

• 实施了一种可解释的特征选择技术,以减少 IoMT 数据集中的冗余特征.
• 利用基于随机森林的可解释AI模型进行透明的攻击分类.
• 使用SHAP (夏普利添加式解释) 进行特征分析和模型可解释性.
• 使用CICIoMT2024数据集模拟和评估拟议的方法.

主要成果:

• 拟议的方法显著提高了IoMT环境中的入侵检测性能.
• 随机森林模型实现了99%的准确性,超过了XGBoost (98%),决策树 (97%) 和支持矢量 (98%).
• 基于SHAP的分析确定了对IoMT设备的各种网络攻击的关键因素.
• 证明了改进的模型可解释性和效率.

结论:

• 开发的可解释特征选择技术有效地提高了IoMT安全中的检测准确性和透明度.
• 随机森林模型为实时IoMT网络攻击监控提供了一个强大的和可解释的解决方案.
• 这些发现有助于实施增强的安全措施和现实世界IoMT安全应用.