一个基于混合区块链的深度学习模型,用于在物联网中检测多向量攻击,使医疗保健系统能够实现

科学领域:

• 网络安全 网络安全
• 医疗保健技术 技术 医疗保健 技术
• 人工智能的人工智能

背景情况:

• 与医疗保健相关的物联网 (IoT) 系统对于临床决策支持和患者监测越来越重要.
• 传统的网络安全模型难以保护开放访问网络,从而造成关键漏洞.
• 连接医疗设备的兴起需要先进的安全解决方案来保护敏感的患者数据.

研究的目的:

• 为医疗保健物联网系统提供强大的安全性,提出一个新的混合模型,集成区块链 (BC) 和深度学习 (DL).
• 加强对网络威胁的检测,例如分布式拒绝服务 (DDoS),中间人 (MiTM) 和粗暴武力攻击 (BFA).
• 改善医疗保健网络中的整体安全性,数据完整性和隐私.

主要方法:

• 开发了一个混合区块链+深度学习 (BC+DL) 模型,结合了人工智能 (AI) 和分布式信任管理 (DTM).
• 使用深度短缺自动编码器 (DSAE) 进行流量标准化和减少,然后使用双向长期短期存储器 (BiLSTM) 网络进行时间依赖性分析.
• 集成的传感器网络用于攻击检测,并使用贝叶斯产品专家 (BPoE) 方法验证结果以获得临床准确性.

主要成果:

• 拟议的模型在IoT-Flock上获得了96.73%的准确度,在CICIoT2023数据集上达到93.58%,超过了传统的基准和最先进的方法.
• 实时可行性证明,检测延迟低于16毫秒.
• 区块链集成提供了固定审计日志,通过智能合约 (SC) 进行自动访问控制,以及高网络吞吐量 (NT) 和验证成功率的高效攻击数据通信.

结论:

• 混合BC+DL模型在保护医疗保健物联网系统免受各种网络威胁方面取得了重大进展.
• 该模型的组件,包括DSAE和BFM,有助于大幅度提高准确性和高效的特征提取.
• 研究证实了该模型能够增强安全性,防止数据丢失,并确保医疗保健系统的可靠运行.