基于高级功能选择和深度学习方法来增强IoMT的IDS,以提高模型可信度
Ahmed Muqdad Alnasrallah1, Maheyzah Md Siraj2, Hanan Ali Alrikabi3
1Faculty of Education for Pure Sciences, University of Thi-Qar, Nasiriyah, Iraq.
PloS one
|July 2, 2025
概括
本研究介绍了使用深度学习和特征选择的医疗物联网 (IoMT) 的入侵检测系统 (IDS). 该模型显著提高了远程患者监控系统的安全性和效率.
科学领域:
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
- 网络安全 网络安全
背景情况:
- 信息技术,特别是物联网 (IoT) 和其医学变体 (IoMT),正在通过远程患者监控来彻底改变医疗保健.
- 越来越多的IoMT设备互连性带来了重大的安全挑战,需要强大的入侵检测系统 (IDS).
研究的目的:
- 为IoMT环境提出和评估一个新的IDS模型.
- 提高IoMT网络中安全系统的检测性能和效率.
主要方法:
- 拟议的IDS模型整合了信息获取 (IG) 和递归特征消除 (RFE) 来进行特征选择.
- 深度自动编码器 (DAE) 用于减小维度,保存关键数据.
- 深度神经网络 (DNN) 用于将网络流量分类为正常或异常.
主要成果:
- 该模型实现了高精度 (WUSTL-EHMS-2020上99.93%,CICIDS2017上99.61%) 和改进的性能指标 (精度,回忆,F1分数).
- 该策略证明了培训时间和计算复杂性的减少.
- 统计验证证实了稳定的性能改善,p值为0.0001.1.
结论:
- 开发的IDS模型为IoMT安全提供了卓越的准确性和效率.
- 这种方法在资源有限的IoMT环境中是有效的,提高了整体系统安全性.
- 这项研究强调了高级特征选择和深度学习的潜力,以确保连接的医疗保健系统.


