使用联合学习授权医疗物联网网络安全的对抗性攻击检测框架的重要特征

科学领域:

• 在医疗保健领域的网络安全和人工智能
• 机器学习和深度学习应用

背景情况:

• 医疗物联网 (IoHT) 提供了重要的医疗保健效益,但面临着关键的网络安全挑战,特别是对神经网络的对抗性攻击.
• 现有的防御机制难以在现实世界中应用,因此需要强有力的方法来检测和减轻关键医疗保健系统中的AI漏洞.
• 联合学习 (FL) 能够在保护用户隐私的同时进行协作模式培训,但仍然容易受到恶意参与者的攻击.

研究的目的:

• 开发使用联合学习授权物联网医疗 (AADF-FLEIoTM) 模型的先进对手攻击检测框架.
• 通过有效的对抗性攻击检测,提高IoHT环境中的AI方法的安全性和可靠性.

主要方法:

• 实施混合模型,将联合学习与先进的深度学习技术结合起来.
• 用于数据预处理的min-max规范化,用于特征选择的海洋捕食者算法 (MPA),以及用于检测的卷积神经网络双向长期短期记忆 (SA-CNN-BiLSTM).
• 使用红尾 (RTH) 优化算法优化SA-CNN-BiLSTM超参数,以获得更高的分类性能.

主要成果:

• AADF-FLEIoTM模型在物联网医疗安全数据集上的对抗性攻击检测方面表现出卓越的性能.
• 在IoHT环境中实现了98.24%的高精度,在识别和分类威胁方面超过现有模型.
• 该MPA和RTH优化器有效地增强了特征选择和模型超参数调整.

结论:

• 拟议的AADF-FLEIoTM框架提供了一个强大而有效的解决方案,用于检测IoHT系统中的对抗性攻击.
• 联合学习和先进的深度学习技术的整合显著提高了医疗物联网设备的安全性和可靠性.
• 这项研究强调了混合人工智能模型在保护敏感的医疗数据免受复杂的网络威胁方面的潜力.