一个混合XGBoost-SVM组合框架,用于在医疗事物互联网 (IoMT) 中强大的网络攻击检测
Maha Abdelhaq1, SatheeshKumar Palanisamy2, M Gopinath3
1Department of Information Technology, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia.
本研究介绍了一种机器学习模型,用于检测医疗物联网 (IoMT) 中的网络攻击. 整体方法实现了98.04%的准确性,提高了IoMT的安全性和患者安全性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 医疗保健技术 技术 医疗保健 技术
背景情况:
- 医疗物联网 (IoMT) 市场正在迅速扩大,增加了对复杂网络攻击的脆弱性.
- 随着COVID-19的爆发,人们越来越需要安全的IoMT生态系统.
- 像MITM这样的攻击威胁着医疗保健中的数据完整性和患者安全.
研究的目的:
- 开发和验证基于机器学习的强大方法,用于检测IoMT环境中的网络攻击.
- 解决IoMT带来的独特安全挑战,包括资源限制和数据隐私.
- 通过使用各种数据集来评估拟议模型的有效性.
主要方法:
- 使用WUSTL-EHMS-2020数据集进行初始演示和验证,并使用TON-IoT和CICIDS 2017数据集进行验证.
- 开发了一个集体机器学习模型,结合了极端梯度提升 (XGBoost) 和支持向量机器 (SVM) 分类器.
- 评估模型性能,考虑IoMT特定特征,如资源限制和通信多样性.
主要成果:
- 拟议的组合模型在WUSTL-EHMS-2020数据集上实现了98.04%的卓越检测准确度.
- 该模型在确定动态IoMT环境中的网络攻击模式方面表现出有效性.
- 性能与基线技术进行了比较,显示出显著的改进.
结论:
- 开发的机器学习方法为IoMT网络安全提供了可靠的解决方案.
- 整体方法有效地平衡了SVM的精度与XGBoost的优化,以提高威胁检测.
- 这项研究开创了可扩展和可靠的安全解决方案,用于不断变化的IoMT环境.
更多相关视频
10:11Author Spotlight: Investigating the Motion Dynamics of the Eukaryotic Replisome Components at the Single-Molecule Level
Published on: July 26, 2024
09:10Combination of Adhesive-tape-based Sampling and Fluorescence in situ Hybridization for Rapid Detection of Salmonella on Fresh Produce
Published on: October 18, 2010
相关概念视频
Acid Attack on Concrete
The rate at which hydrogen...
Sulfate Attack on Concrete
Sulfates from sources like soil, groundwater, or industrial effluents...
Hybrid Zones
Hybridization of Atomic Orbitals I
Hybridization of Atomic Orbitals II
Inhaled Medications
