注意力增强的CNN-BiLSTM框架用于智能医院物联网中患者状态感知解离攻击的入侵检测
《Electronics》:Attention-Enhanced CNN–BiLSTM Intrusion Detection for Cross-Layer Patient-State Dissociation Attacks in Smart Hospital IoMT Systems
【字体:
大
中
小
】
时间:2026年10月23日
来源:Electronics 2.9
编辑推荐:
摘要在关乎生命的医疗物联网(IoMT)环境中,高级网络攻击可能在保持正常网络可用性的同时,在生理状态、传输的遥测数据、报警行为和临床医生可见信息之间制造微妙的不一致。本研究提出了一种注意力增强的CNN–BiLSTM入侵检测框架,用于识别智能医院IoMT系统中一种新型的患者状态
摘要
在关乎生命的医疗物联网(IoMT)环境中,高级网络攻击可能在保持正常网络可用性的同时,在生理状态、传输的遥测数据、报警行为和临床医生可见信息之间制造微妙的不一致。本研究提出了一种注意力增强的CNN–BiLSTM入侵检测框架,用于识别智能医院IoMT系统中一种新型的患者状态感知解离攻击。该攻击刻意将患者的实际生理状态与跨互联的临床及网络-物理层所呈现的信息分离开来,使得危险病情恶化在外部看来仍然合理可信,且难以通过基于传统流量的入侵检测机制发现。为了支持现实评估,本研究在GNS3中实现了一个多区域智能医院测试平台,集成了异构医疗设备、IoMT网关、遥测服务器、临床工作站、报警组件、安全监控节点和对抗性访问路径。随后生成了阶段感知数据集,以表示良性操作、入侵进展、网关沦陷、遥测篡改、报警干扰、上下文混淆以及跨层完全解离等阶段。在所提出的架构中,卷积层学习局部跨特征关系,双向长短期记忆层捕捉正向和反向时间依赖,注意力机制则强调遥测-报警-上下文偏差中最能指示隐藏网络-物理操控的迹象。在十五个操作和对抗场景中的评估结果达到了98.57%的验证准确率、98.43%的测试准确率、97.93%的F1分数以及0.998的受试者工作特征曲线下面积。较小的验证-测试性能差距进一步表明模型对先前未见样本具有良好的稳定泛化能力。这些结果表明,注意力引导的深度学习能够将入侵检测从传统的网络异常扩展到识别跨多个IoMT层语义不一致的攻击行为,为生命关键智能医院环境中可部署的威胁监控提供了实用基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号