一个新的自适应混合入侵检测系统,具有轻量优化,用于医疗事物互联网的增强安全性

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 电子医疗服务 (e-Health) 是一个电子医疗服务.

背景情况:

• 医疗物联网 (IoMT) 在电子医疗系统中的扩展增强了医疗保健,但引入了数据泄露和设备伪造等重大网络安全风险.
• 现有的安全措施很难跟上互联医疗环境中不断变化的威胁格局.

研究的目的:

• 开发和评估一种利用人工智能 (AI) 的新型混合入侵检测系统 (IDS),以提高 IoMT 支持的电子卫生系统的安全性.
• 改进实时威胁检测,系统弹性和对IoMT环境中的网络攻击的适应性响应.

主要方法:

• 一个混合的IDS框架,将预先训练的决策树 (C4.5) 模型与深度Q网络 (DQN) 集成,用于动态威胁检测.
• 实现特征重要性,集体学习,类不平衡的SMOTE和分类器评估的焦点损失.
• 在多个数据集 (CICIoMT2024,WUSTL-EHMS,ECU-IoHT,DF_IOMT,CICIOT23) 中进行评估,以评估概括性和可靠性.

主要成果:

• 混合IDS实现了高精度,包括99.03%的二进制类和98.55%的CICIoMT2024数据集上的五个类.
• 在DQN框架中集成后,对二进制类的准确性提高了99.20%,展示了自适应式学习.
• 在异质数据集中始终保持高的检测率,超过了以前的基准,并验证了稳定性.

结论:

• 拟议的混合IDS是一种轻量级,适应性和部署意识的框架,有效用于动态,资源有限的医疗保健环境中的入侵检测.
• 由人工智能驱动的方法提供了实时响应能力和对IoMT生态系统中复杂的网络威胁的增强弹性.
• 这项研究证实了将传统机器学习与深度强化学习相结合的有效性,以实现电子健康的先进网络安全.