一个基于深度强化学习的强大的入侵检测系统,用于保护IoMT医疗保健网络

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 医疗保健技术 技术 医疗保健 技术

背景情况:

• 医疗物联网 (IoMT) 能够实现远程患者监控和个性化治疗.
• IoMT的部署面临安全挑战,包括设备和网络的漏洞.
• 对IoMT网络的入侵危及患者的隐私,破坏服务,危及安全.

研究的目的:

• 提出HCLR-IDS,一个针对IoMT网络量身定制的先进入侵检测系统 (IDS).
• 加强在IoMT环境中检测不断变化的网络威胁.
• 提高IoMT医疗保健系统的安全性和可靠性.

主要方法:

• 使用增强的相互信息选择功能 (MIFS) 进行数据预处理.
• 采用混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 架构来进行特征提取.
• 集成的深度Q网络 (DQN) 和近距离政策优化 (PPO) 提供了强大的决策和威胁检测.

主要成果:

• 实现了0.9958的二进制分类准确度,超过了传统的IDS模型.
• 在18个类别的多类分类中表现出有效性,准确度为0.7773.
• 混合CNN-LSTM-RL方法在识别复杂网络模式方面被证明是强大的.

结论:

• HCLR-IDS提供了一种可靠和高效的解决方案,以确保IoMT医疗保健系统的安全.
• 集成先进的人工智能技术显著提高了入侵检测能力.
• 该系统有效地解决了 IoMT 设备所带来的独特安全挑战.