在IoMT中对网络威胁进行可解释的深度学习:同步增强的稀疏自动编码器方法

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 互联医疗设备 (医疗物联网 - IoMT) 面临越来越多的网络威胁.
• 传统的网络威胁情报 (CTI) 深度学习方法由于"黑子"问题缺乏透明度,阻碍了在关键医疗机构的部署.
• 可解释性对于在IoMT环境中CTI的实际应用至关重要.

研究的目的:

• 提出一种新的可解释的深度学习 (XDL) 框架,用于在IoMT网络中透明地检测网络威胁.
• 通过提供可解释的决策流程来解决医疗网络安全中传统深度学习模型的局限性.
• 开发一个强大的系统来识别和减轻IoMT生态系统中的网络威胁.

主要方法:

• 开发了一个XDL框架 (XDL-CTI-MedNet),集成稀疏的自动编码器和神经同步机制.
• 采用神经元级本地激活一致性约束和基于同步的功能模块构建以实现透明的威胁检测.
• 利用一个多维的解释性评估系统来评估解释的准确性,稳定性,纯度和多样性.

主要成果:

• 在CIC IoMT 2024和物联网医疗保健安全数据集上实现了高检测准确度 (98.4-98.8%) 和可解释性得分 (0.935-0.947).
• 在所有评估维度中表现优于六种基线方法,证明了卓越的性能.
• 统计验证证实了具有低标准偏差 (<0.8%) 和显著结果 (p<0.05) 的稳健性能.

结论:

• 拟议的XDL-CTI-MedNet框架有效地提高了IoMT网络中高精度和可解释性的网络威胁检测.
• 该框架为关键医疗环境提供了一个透明和可靠的解决方案,在关键医疗环境中,解释性AI至关重要.
• 这项研究在保护IoMT网络免受复杂的网络威胁方面取得了重大进展.