在医疗物联网中使用网络物理系统设计的入侵检测和实时适应性安全

科学领域:

• 网络安全 网络安全
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 医疗物联网 (MIoT) 设备在医疗保健中越来越重要,但存在重大网络安全风险.
• 针对MIoT系统的网络事件对患者安全和数据完整性构成直接威胁.
• 现有的防御机制很难适应MIoT环境中不断变化的威胁格局.

研究的目的:

• 引入一种新的机器学习支持的认知网络物理系统 (ML-CCPS),以加强MIoT的网络安全.
• 开发一种适应性防御机制,能够实时识别和应对复杂的网络威胁.
• 提高依赖于连接设备的关键生命医疗保健系统的安全性和可靠性.

主要方法:

• 为ML-CCPS开发一个分层的认知架构.
• 混合特征建模和物理行为分析的整合.
• 使用极端学习机器 (ELM) 进行自适应式访问控制,持续监控和入侵检测.

主要成果:

• 在ToN-IoT数据集上,ML-CCPS获得了97.8%的宏F1得分和99.1%的AUC.
• 在杂的遥测和资源有限的环境下表现出强大的性能.
• 有效地检测出新型攻击类型,并随着越来越多的连接设备的增加而扩展.

结论:

• ML-CCPS为保护MIoT环境免受网络威胁提供了高效和可靠的解决方案.
• 该系统提供适应式访问控制和入侵检测,可接受的计算开销.
• 通过比较评估和废除研究验证,ML-CCPS适用于实时MIoT安全应用.