基于可解释的堆叠机器学习架构的智能防御,用于通过K-means集群保护健康事物的互联网
Tanzila Saba1, Amjad Rehman1, Muhammad Mujahid1
1Artificial Intelligence and Data Analytics (AIDA) Lab, CCIS, Prince Sultan University, Riyadh, Saudi Arabia.
Scientific reports
|October 24, 2025
概括
智能防御-IoHT使用KMeans集群和堆叠架构来检测健康物联网 (IoHT) 中的网络威胁. 这种新的方法在识别对医疗保健网络的各种攻击方面取得了很高的准确性.
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:
- 卫生事物互联网 (IoHT) 能够实现远程患者监测和诊断.
- 在IoHT中相互连接的医疗设备容易受到复杂的网络攻击.
- 现有的安全措施与IoHT网络的规模和多样性作斗争.
研究的目的:
- 为IoHT网络开发一个有效的网络威胁检测和分类系统.
- 增强基于物联网的医疗保健系统的安全性和可靠性.
- 提高网络攻击检测模型的准确性和可解释性.
主要方法:
- 从网络数据中提取和规范化特征 (数据包时间,长度,协议,源/目的地).
- K意味着集群以识别数据模式和丰富特征.
- 一本小说将架构与元模型堆叠在一起,以提高分类准确度.
主要成果:
- 实现了99.41%的准确性,99.39%的精度,99.40%的F1得分和99.93%的AUC.
- 成功检测和分类了五种类型的网络威胁,包括ARP欺骗,DoS,Nmap端口扫描和斯默夫攻击.
- 与现有方法相比,证明了更高的检测率.
结论:
- 拟议的智能防御-IoHT模型为保护IoHT环境提供了强大的解决方案.
- 可解释的人工智能 (XAI) 技术 (SHAP,LIME) 提高了模型的解释性和对医疗保健应用的信任.
- 该研究强调了先进人工智能的重要性,以保护连接的医疗保健系统.
