在医疗物联网络中用于实时网络安全的基于漂移感知的在线集成学习方法 法兹利丁·马赫穆多夫（Fazliddin Makhmudov）、 加伊拉特·尤拉耶夫（Gayrat Juraev）、 奥佐德·尤苏波夫（Ozod Yusupov）、 帕尔维娜·纳斯里丁诺娃（Parvina Nasriddinova）和 杜斯穆罗德·基利切夫（Dusmurod Kilichev）

《Machine Learning and Knowledge Extraction》：Drift-Aware Online Ensemble Learning for Real-Time Cybersecurity in Internet of Medical Things Networks Fazliddin Makhmudov, Gayrat Juraev, Ozod Yusupov, Parvina Nasriddinova and Dusmurod Kilichev

　　摘要 医疗物联网（IoMT）设备的快速增长彻底改变了智能医疗网络中的诊断和患者护理方式。然而，由于医疗设备的异构性和互联性，这一进展也扩大了攻击面。为了克服传统批量训练安全模型的局限性，本研究提出了一个适应性在线入侵检测框架，专为动态医疗环境中的实时操作而设计。该系统结合了Leveraging Bagging和Hoeffding Tree分类器进行增量学习，同时整合了Page–Hinkley测试来检测并适应不断演变的攻击模式。模块化且可扩展的网络架构支持集中监控，并确保跨各种IoMT协议的无缝互操作性。该框架在低延迟、高吞吐量的流处理管道中实现，满足了临床对响应性和可靠性的严格要求。为了模拟流式条件，我们使用CICIoMT2024数据集对模型进行了评估，该数据集以随机顺序一次展示一个实例，以反映IoMT网络中的动态实时流量。实验结果表明，该模型在二元分类上的准确率为0.9963，在六类检测上的准确率为0.9949，在十九类分类上的准确率为0.9860。这些结果突显了该框架在保护现代医疗基础设施免受不断演变的网络威胁方面的实际有效性。

1. 引言
在过去十年中，医院已经转变为智能医疗网络，其中电子健康记录服务器、可穿戴传感器、床边监测器以及医疗物联网（IoMT）网关不断交换数据以支持诊断和治疗[1,2]。虽然这种互联性提高了临床效果，但也引入了重大的网络安全漏洞[3,4]。根据2024年IBM的数据泄露成本报告[5]，医疗行业面临所有行业中最高的泄露成本（图1），平均事件损失达到1093万美元——是跨行业平均水平的两倍多——占全球泄露费用的12%以上。鉴于医疗行业的严格隐私要求和严格的运行时间限制，即使是短暂的中断也可能危及患者安全和运营完整性。因此，入侵检测系统（IDS）对于保护医疗网络至关重要[6]。然而，最近对IoMT安全的系统评价显示，大多数IDS实现依赖于假设数据分布固定的离线批量训练的机器学习（ML）模型[7]。相比之下，现实世界中的智能医院流量高度动态：新设备不断引入，固件不断更新，攻击向量也在演变[8,9]。如果没有处理概念漂移的机制，这些静态模型会迅速降低准确性，从而产生可利用的盲点[10,11]。
为了解决这个问题，流数据研究提出了两种有前景的机制。第一种是Leveraging Bagging，这是一种在线集成方法，它将泊松分布的实例权重注入每个基础学习器中[12]，从而增强了对变化数据的适应性。第二种是Page–Hinkley测试[13]，这是一种轻量级的序列算法，用于检测模型误差的持续增加，实现实时漂移检测和响应。尽管这两种方法在通用数据流挖掘任务中表现出色，但它们尚未被集成到专门针对医疗网络的实时IDS中。到目前为止，只有一项研究使用Kappa架构来支持IoMT流量的实时处理[14]；然而，它缺乏真正的每个实例的在线学习，并且没有结合概念漂移适应。因此，本研究提出了在医疗物联网（IoT）系统中使用Leveraging Bagging进行在线入侵检测，并通过Page–Hinkley漂移检测来快速适应概念漂移。本文为医疗网络的智能入侵检测领域做出了以下贡献：
- 一种新颖的模块化网络架构，专门设计用于支持跨多种IoMT设备和协议的实时入侵检测。该架构便于扩展部署、集中监控和跨异构系统的互操作性。
- 一种结合Leveraging Bagging和Hoeffding Trees的适应性在线入侵检测框架，优化了在非平稳数据条件下的持续学习。
- 使用Page–Hinkley测试集成概念漂移检测，使系统能够动态适应不断演变的网络攻击模式。
- 使用流处理工具和标准化预处理的高效管道实现，支持对临床安全至关重要的低延迟、高吞吐量操作。
- 在真实的IoMT入侵数据集（CICIoMT2024）上进行了全面评估，衡量了二元和多类分类任务的性能以及漂移适应效果。
- 通过公共仓库发布了完整实现，促进了透明度、可重复性和社区驱动的改进。
据我们所知，这是首次系统地将流式集成学习与正式的概念漂移适应相结合，用于医疗IoMT系统的实时入侵检测的全面举措。
本文系统地介绍了进行的研究。第2节回顾了医疗网络入侵检测的相关工作，确立了研究的背景。第3节概述了所提出的在线入侵检测架构，详细说明了其组成部分、实时模拟数据集和实验设置。第4节报告了二元、中等规模和细粒度分类任务的实验结果。第5节讨论了系统性能、对概念漂移的适应性、可扩展性以及与现有方法的比较。第6节总结了关键发现和贡献。

2. 相关工作
IoMT网络中的入侵检测是一个活跃的研究领域，有多种方法旨在提高安全性，同时解决资源受限的医疗环境中的独特挑战（表1）。早期工作主要探讨了传统的集成学习技术，如离线训练的自适应提升策略，显示出中等的内存效率，但缺乏实时检测和概念漂移处理能力[15]。随后提出了离线深度学习（DL）架构[16,17]，特别是卷积神经网络和循环神经网络的组合，以提高检测准确性。尽管这些模型在预测性能上有所改进，但它们依赖于批量学习和高计算需求，这对实时部署提出了挑战[18]。优化深度混合框架的努力导致了CNN-LSTM模型的开发，该模型通过混合特征选择算法实现了检测准确性和资源消耗之间的更好平衡[19]。然而，这些模型仍然仅限于静态离线训练。同样，结合多个DL分类器和动态加权机制的元学习集成在变化条件下展示了改进的泛化能力，但仍然依赖于定期重新训练来应对不断演变的网络威胁[20]。优化算法，如增强的大象群集优化，与卷积神经网络结合使用，以提高入侵检测性能，在平衡准确性和复杂性方面取得了有希望的结果[21]。然而，缺乏在线适应性仍然是一个持续的局限。元学习框架也被调整用于通过异常检测机制应对零日攻击，通过快速推理提供部分实时能力，但仍然严重依赖离线训练管道[22]。轻量级DL模型利用密集架构来提高模型泛化能力，同时减轻IoMT环境中的数据泄露[23]。这些方法在检测鲁棒性方面取得了显著改进，但并不是为实时数据流学习而设计的。作为这些努力的补充，可解释的AI增强型IDS利用集成学习技术和基于SaaS的部署策略，解决了资源受限的医疗IoT网络中的透明度和效率问题[24]。同时，结合递归特征消除与Ridge-正则化ML和DL模型的混合方法在基于生物特征的数据集上表现出了强大的性能，尽管仍然在离线学习模式下运行[25]。通过基于过滤器的特征选择优化的基于树的集成方法同样针对IoMT特定用例在内存效率和计算成本方面进行了改进，尽管实时能力仍然有限[26]。采用堆叠、bagging和提升策略的集成学习模型也被评估用于医疗入侵检测，强调了检测指标的改进，但缺乏对流数据或概念漂移场景的适应性[27]。采用多粒度扫描机制的深度堆叠网络架构也被探索，以进一步增强对复杂攻击的鲁棒性，尽管它们的高资源需求使其不太适合在IoMT环境中进行边缘部署[28]。更接近实时部署的是，将堆叠集成DL架构集成到Apache Spark Streaming等流处理框架中，使用Kappa架构。这些系统在流数据上展示了实时推理能力；然而，它们仍然依赖离线预训练，并未结合逐个实例的学习更新[14]。此外，还提出了在雾计算架构上部署的混合CNN-LSTM模型，以减少延迟并实现网络边缘的更快决策。虽然提供了显著的延迟减少，但这些模型主要支持实时推理而不是在线自适应学习[29]。尽管入侵检测方法有所进步，但在实现完全在线学习、实时漂移适应性和适合动态和资源受限的IoMT环境的高内存效率方面仍存在显著差距。为了解决这些限制，本研究提出了一种基于Hoeffding Tree分类器的在线Leveraging Bagging集成，结合了Page–Hinkley漂移检测器用于早期概念漂移识别。与以往的方法不同，所提出的系统在真正的在线学习框架中运行，无需重新训练即可逐个实例更新，从而实现了高检测性能和低计算开销。

3. 材料与方法
本节概述了用于开发和评估所提出的智能医疗网络在线IDS的架构、算法、数据集和实验设置。

3.1. 智能医疗网络的在线入侵检测架构
所提出的在线入侵检测架构（图2）结合了先进的ML方法、强大的网络监控策略和实时威胁响应机制，以保护IoMT。图2. 智能医疗入侵检测的网络架构。在基础层，该架构整合了各种医疗IoT设备[30]，包括血糖仪、血压计、心电设备和温度计等通用健康监测设备，这些设备经常传输患者健康指标。此外，还包括智能手表、脉搏血氧仪、跌倒检测系统和其他持续监测患者生理状态的可穿戴和个人监测设备。临床诊断设备，如超声波扫描仪、输液泵和X光机，处理敏感和大量的数据，也是该架构的重要组成部分。这些设备使用多种通信协议，包括MQTT[31]、蓝牙[32]和Wi-Fi[33]，需要一个多功能且强大的安全框架来确保数据传输的安全。网络通信基础设施旨在促进IoMT设备、患者监测系统、医疗提供者服务器和远程数据存储库之间的安全高效数据传输。核心组件如路由器和交换机有效管理和指导医疗设施本地网络和外部互联网中的数据流。该基础设施的一个关键组成部分是Network TAP（测试访问点），它允许在不影响操作功能的情况下被动拦截和分析网络流量。此外，Wireshark的集成通过详细的数据包级别检查增强了网络可见性，有助于实时监控和分析。
入侵检测和网络安全响应层实时运行，使用基于机器学习的Leveraging Bagging模型快速检测和缓解潜在威胁。该模型持续分析流数据，以识别各种网络攻击的异常，如未经授权的访问尝试、恶意软件感染、数据泄露、服务拒绝攻击和其他恶意活动。检测到异常后，系统会立即发出警报，以便迅速干预，保护医疗服务和敏感的患者信息。先进的AI组件进一步增强了自动化决策能力，显著减少了响应延迟并有效减轻了潜在损害。集成的威胁建模策略允许架构识别和预见医疗网络特有的入侵模式，如未经授权的数据访问、设备劫持和网络服务中断。该架构提供了显著的优势，包括对安全事件的即时实时检测和响应、适应扩展的IoMT生态系统的可扩展性、多协议支持以确保全面的网络安全，以及通过Network TAP和Wireshark等工具提供的详细网络可见性。通过实施这种架构，医疗网络可以大大增强患者数据的安全性，确保持续的服务提供，并有效应对不断演变的网络安全威胁。

3.2. 所提出的在线入侵检测框架
我们提出的入侵检测框架的核心组件是Leveraging Bagging分类器，这是一种专为动态环境（如智能医疗网络）的在线学习量身定制的集成模型。传统的批量学习算法在这种设置中难以适应，因为它们无法适应变化的数据流或概念漂移。相比之下，在线集成方法，如Leveraging Bagging，通过维护不断更新的基础学习器集合，提供了鲁棒性、适应性和改进的泛化能力。

3.2.1. Leveraging Bagging分类器的定义
Leveraging Bagging算法基于标准的在线Bagging方法，通过使用泊松分布的采样来多次更新每个基础分类器[12]。设? ={?1,?2,…,???}表示M个基础分类器的集合，每个分类器都进行增量训练。对于每个在时间t到来的数据实例（????,????），每个基础学习器??? ∈?会接收该实例???? ～Poisson?(??)次，其中?? ∈?+是一个可调的超参数，用于控制采样方差。泊松分布定义如下：???(??;??)=????????????!,??=0,1,2,… （1）这种随机重采样机制使基础学习器对训练数据的接触更加多样化，从而增强了集成模型的多样性和对抗过拟合的能力。在我们的实现中，参数??被设置为6.0，这是根据先前在线学习任务的研究推荐的值[12]。在学习阶段，对于每个分类器???，训练更新被执行????次，具体步骤如下：Repeat?????times:???←???.learn_one?(????,????）（2）训练完成后，通过聚合每个基础学习器输出的概率分布来进行预测。设^?????(??∣????)为分类器???预测的类别概率。然后，集成预测结果为所有分类器概率的平均值：^???(??∣????)=1?????∑??=1^?????(??∣????）（3）最终预测的类别^????是通过选择具有最高平均概率的标签来确定的：^????=arg?max???^???(??∣????）（4）这种架构确保模型能够有效适应流式医疗健康数据，同时保持高预测性能和可扩展性。此外，通过将在线学习原理与集成多样性相结合，Leveraging Bagging分类器特别适合于攻击模式可能快速变化的实时入侵检测场景。

3.2.2 基础学习器工厂函数
Leveraging Bagging架构的一个关键元素是基础学习器的选择，这显著影响整个集成的检测性能。对于像智能医疗健康网络这样非静态环境中的在线分类任务，基础学习器必须支持增量学习，具有低延迟，并能够处理潜在不平衡或噪声较大的数据流。在本研究中，我们采用了Hoeffding树分类器（也称为非常快速决策树）[34]，它满足了这些要求，并且在流式机器学习应用中得到了广泛采用。Hoeffding树是一种增量决策树算法，它利用Hoeffding界限来做出统计上合理的属性划分决策。与需要整个数据集的传统决策树不同，Hoeffding树基于输入流的有限样本来评估是否需要进行划分，从而确保了计算效率和适应性。正式地，设???(????)表示属性????的启发式评估函数（例如信息增益或Gini指数）。在观察到n个实例后，Hoeffding界限以1 ???的概率保证，具有最高启发式值的属性????确实是最佳的分割选择，如果???(????)????(????)>??（5），其中????是第二好的属性，??的定义如下：??=√??2?ln?(1/??)2???（6）。这里，R是启发式函数的值范围（例如，在C类问题中信息增益的对数为log2???），??是用户定义的置信参数。这种统计框架允许算法仅使用少量数据就做出高置信度的决策，使其非常适合实时入侵检测。

在我们提出的系统中，我们定义了一个工厂函数来实例化具有统一参数的Hoeffding树分类器。这种设计促进了模块化和可重复性。在我们的实现中使用的参数包括30的宽容期和0.01的sigma值。宽容期定义了每个节点尝试划分之间的最小实例数，平衡了速度和准确性，而sigma值控制了Hoeffding界限的严格程度，影响了划分的频率。用于训练和评估的模型参数在表2中进行了总结。

3.2.3 模型初始化和预处理流程
在实时入侵检测任务中，尤其是在数据来自多种IoMT来源的智能医疗健康环境中，保持模型输入的一致性和可靠性至关重要。在将数据输入集成模型之前，会执行一个预处理步骤，以确保所有特征都得到了适当的缩放和标准化，防止主导特征影响学习过程。为了构建一个端到端的学习系统，我们使用了一个整合了数据预处理和集成分类器的流程结构。该流程由两个主要部分组成：一个用于特征标准化的Standard Scaler，以及作为最终估计器的Leveraging Bagging分类器。这种模块化设计既便于解释又可重复，同时允许对各个组件进行无缝更新。正式地，给定一个特征向量x=[??1,??2,…,????]?∈???（7），其中d是输入特征的数量，我们应用标准缩放：?????=?????????????，对于??=1,2,…,??（8），其中????和????是在流式环境中逐步估计的特征????的均值和标准差。这种转换确保每个特征的均值为零，方差为单位值，这对于维护对输入规模敏感的模型（如决策树或基于梯度的学习器）的数值稳定性是必要的。预处理之后，转换后的特征向量?x被传递给Leveraging Bagging分类器进行预测和学习。流程结构可以表示为：????(??)=??(StandardScaler?(??))（9），其中?代表之前定义的集成模型。这种组合确保数据顺序地通过预处理和分类阶段，而无需对每个操作进行手动干预。此外，流程抽象提供的封装支持在实时流式条件下的高效部署、测试和评估。通过保持这种结构化和模块化的流程，系统保证了与动态特征分布的兼容性，减少了特征间的方差，并支持在不断发展的医疗健康网络中的可扩展学习。这种设计选择也符合将ML系统集成到医疗监控平台中的实际需求，其中自动化和可靠性至关重要。

3.2.4 度量和漂移检测设置
为了全面评估所提出的在线入侵检测系统（IDS）的性能，我们加入了一套随每个到来实例逐步更新的评估指标。这些指标提供了对分类质量的实时洞察，并支持随时间对模型行为的纵向监控。此外，为了抵抗不断变化的威胁，我们还整合了一个概念漂移检测机制，以识别可能损害模型可靠性的数据分布变化。选定的指标包括准确率、加权精确度、加权召回率和加权F1分数，每个指标都使用了适合流处理的公式进行计算。设???? ∈??表示时间t的真实标签，^???? ∈??表示预测标签。对于具有类别标签?? ={1,2,…,??}的多类设置，这些指标的增量版本定义如下：
准确率：Accuracy??=1?????∑??=1???(^????=????)（10）
加权精确度、召回率和F1分数按类别计算，然后按类别频率进行聚合，以确保在不平衡的类别分布下进行公平的性能评估：WeightedMetric??=∑??∈??????·Metric(??)??（11），其中????是类别c的相对频率，Metric(??)??是截至时间t的每类指标值。

为了检测底层数据分布的变化——通常称为概念漂移——我们采用了Page–Hinkley测试[13]，这是一种成熟的漂移检测算法。该方法监测分类器的平均错误率，并在观察到与预期均值显著偏差时触发警报。设???为时间t的二元损失，定义为：???=???(^????≠????)（12），设????为累积平均损失，????为累积差异的最小值：???=1?????∑??=1???,???????=??∑??=1(????ˉ??????)（13），如果℃?????????>??（14），则检测到漂移。这里，??是一个防止误报的松弛参数，??是一个预定义的阈值，用于控制敏感性。当满足此条件时，系统会记录一个漂移事件，并应用选择性适应策略来保持预测稳定性。而不是重置整个集成模型，只有那些显示出较高错误率的基础学习器会被重新初始化。具体来说，如果某个学习器???在漂移检测后最近的错误估计超过了预定义的阈值，该学习器将被基础学习器工厂生成的新的模型替换。这种有针对性的替换使框架能够快速适应变化的流量模式，同时保留表现良好的学习器所保留的可靠知识，确保连续和稳健的运行。在实践中，这种机制增强了IDS对新兴或变化的攻击向量的抵抗力，这些在现实世界的医疗健康网络中很常见。此外，通过记录所有性能指标和漂移事件，我们的系统支持详细的事后分析和持续的模型审计——这在医疗网络安全等受监管领域是必不可少的能力。

3.2.5 在线训练和评估循环
所提出的在线IDS的核心操作逻辑嵌入在一个连续的训练和评估循环中，该循环实时处理每个到来的实例。这种基于流的处理范式对于像智能医疗健康网络这样的动态环境至关重要，在这种环境中，新数据是从各种IoMT设备顺序到达的。该循环设计执行四个基本操作——预测、学习、评估和漂移检测——这些操作依次高效地执行，以最小化延迟。在每个时间步t，系统接收一个特征向量x?? ∈???及其对应的真实标签???? ∈??。模型首先使用公式（4）生成一个预测^????。预测完成后，模型使用model←model.learn_one?(x??,????）（15）立即用真实实例-标签对更新模型。这种一次性的学习方法节省内存，并有助于快速适应最近的模式，这对于可能随时间变化的恶意行为场景至关重要。学习之后，系统使用观察到的（????,^????）对逐步更新所有评估指标。这种实时日志记录使得性能监控无需批量聚合，从而支持即时诊断可视化和自适应阈值调整。接下来，使用Page–Hinkley测试评估概念漂移。如果检测到漂移——表明分类错误有统计学上的显著增加——系统会标记相应的实例索引并记录检测时间戳。这个标志可以用来触发缓解措施，例如通知管理员、重新训练模型或启动取证分析。为了量化计算效率，分别测量每个实例的预测、学习、指标计算和漂移检测所需的时间。这些时间被汇总起来，以计算每个实例的平均处理时间：??(??)total=??∑??=1(??(??)predict+??(??)learn+??(??)metrics+??(??)drift）（16）。这种细粒度的时间分析提供了关于模型是否适合实时部署的洞察。循环继续进行，直到流中的所有实例都处理完毕。在指定间隔，系统将中间结果记录到控制台或可视化仪表板上，提供关于处理实例数量、当前指标分数和漂移事件发生的周期性反馈。这种模块化和可解释的设计允许系统在实时环境中稳健运行，同时支持可维护性和可扩展性。为了清晰描述所提出的在线入侵检测框架的操作工作流程，算法1展示了详细的过程步骤。该框架完全在线操作，顺序处理每个到来的实例，而不需要重新访问之前的数据。在新实例到来时，系统首先使用运行统计信息标准化输入特征，以确保数值稳定性。然后使用Hoeffding树基础学习器的集成生成预测，它们的输出被汇总以产生最终的预测标签。预测之后，每个基础学习器根据由泊松分布控制的随机重采样策略进行更新，从而促进集成多样性。同时，系统逐步更新评估指标以跟踪实时性能。使用Page–Hinkley测试持续执行概念漂移检测，监测错误流的显著偏差。如果检测到漂移，将触发适当的适应策略以保持模型的相关性。此外，还记录了实例级的处理时间，以评估系统的计算效率。

3.3 实时流模拟的数据集
所提出的在线入侵检测框架的评估使用了CICIoMT2024数据集[35]，该数据集是一个全面的基准，旨在反映智能物联网支持的医疗健康环境中网络流量的多样化特征。这个数据集包含了由各种IoT设备生成的广泛 benign 和恶意流量流，为开发和验证数据流学习算法提供了一个现实且具有挑战性的测试平台。与传统的批量学习模型不同，所提出的框架在完全在线的学习范式下运行，无需单独的训练阶段。相反，采用了一种序贯评估协议，其中每个传入的实例首先经过预测，然后立即用于更新模型。这一程序确保了性能指标能够准确反映模型在实时条件下的适应性和泛化能力。这也与现实世界的部署场景相符，在这些场景中，入侵检测系统（IDS）必须从顺序到达的流量中不断学习，而无法预先获取未来的观测数据。因此，仅使用CICIoMT2024数据集的测试部分进行评估和增量学习。为了构建一个统一的流式模拟数据集，多个特定于会话的CSV文件被合并，并进行了标签标准化处理，以去除会话标识符并统一攻击命名 conventions。随后，标签被映射到三个层次化的粒度：一个二进制方案，用于区分良性流量和攻击流量；一个六类方案，将攻击分为主要家族，如DDoS、DoS、MQTT滥用、侦察和欺骗；以及一个细粒度的十九类方案，用于捕捉特定的攻击类型，包括DDOS-UDP、端口扫描和ARP欺骗。这些标签方案中的实例分布总结在表3中。算法1：在线入侵检测框架。表3. CICIoMT2024中实例在标签方案中的分布。在预处理过程中进行了严格的数据质量验证。空值检查确认没有缺失条目，并删除了重复记录，仅保留每个重复实例的第一次出现，以保持数据的完整性。预处理之后，提取特征矩阵和相应标签，为实时模拟做好准备。为了模拟流式环境，在评估之前通过随机打乱实例来对数据集进行随机化[36]，从而减轻基于会话的流量捕获中固有的潜在排序偏见。在随机化过程中使用了固定的随机种子42，以确保可重复性。在模拟过程中，实例依次流式传递给在线学习模型，每个实例独立处理且无法访问未来的数据。这种设置准确反映了智能医疗网络中的操作条件，其中数据必须在严格的实时约束下立即处理。

3.4 实验设置
所有实验都在一台运行Windows 11操作系统的个人电脑上进行，该电脑配备了一颗第13代Intel(R) Core(TM) i7-13700处理器，运行频率为2.10 GHz，内存为16.0 GB。在线入侵检测框架是用Python（版本3.10.13）实现的，利用了几个关键的开源库来支持数据操作、模型开发和评估。特别是使用Pandas（版本2.2.3）和NumPy（版本1.26.4）进行数据处理，使用Matplotlib（版本3.8.3）进行结果可视化，使用Scikit-learn（版本1.4.2）执行数据洗牌等实用功能，以及使用River（版本0.21.2）库来实现在线机器学习模型[37]、流式模拟和概念漂移检测。所有实验都遵循了软件可重复性的最佳实践，完整的实现包括源代码和配置文件，可在GitHub仓库https://github.com/TATU-hacker/Smart-Healthcare-Online-Intrusion-Detection.git中公开获取（上传于2025年4月29日）。

4. 结果
本节介绍了在三种分类配置下提出的Leveraging Bagging框架的评估结果：二元（2类）、中等规模（6类）和细粒度（19类）。使用标准分类指标评估了模型的性能，包括准确性、精确度、召回率和F1分数。此外，还重点关注了模型检测概念漂移的能力及其执行过程中的运行时行为。

4.1 二元分类
在二元分类配置中，Leveraging Bagging框架展示了高预测准确性、高效的运行时性能以及在整个数据流中的强适应性。值得注意的是，在执行过程中没有检测到概念漂移事件，这表明底层数据分布保持稳定。漂移的缺失不仅反映了任务的稳定性，也验证了模型在不过拟合的情况下有效泛化的能力，无需频繁调整。

最终的评估指标突显了该框架的可靠性：模型达到了0.9963的准确性、0.9962的精确度、0.9963的召回率和0.9961的F1分数。这些值表明该分类器具有出色的灵敏度和特异性。精确度和召回率紧密对齐，表明该框架能够对称地管理误报和漏报——对于入侵检测系统来说，这两种错误都会带来重大的操作后果。运行时统计进一步增强了该框架适用于实时应用的潜力（表4）。总执行时间为15,696.72秒，其中只有5.71秒用于漂移检测，7.91秒用于指标计算。这些最小的开销突显了在连续监控环境中部署模型的计算可行性，例如在需要快速响应的智能医疗网络中。

4.2 中等规模分类
中等规模分类任务涉及区分六个类别，比二元配置更复杂。所提出的Leveraging Bagging框架展示了强大且平衡的预测性能，达到了0.9949的准确性、0.9950的精确度、0.9949的召回率和0.9949的F1分数。这些紧密对齐的指标反映了模型在处理多类区分时的鲁棒性，同时对误报和漏报保持相同的敏感性。在在线入侵检测场景中，这一点至关重要，因为所有类别的可靠识别都是必要的。本实验中通过Page–Hinkley方法共检测到五次概念漂移事件。表5列出了每次事件的指数和时间戳。这些漂移发生在流的早期和晚期阶段，表明数据模式存在时间变化。值得注意的是，模型对这些分布变化反应迅速，性能下降很小。漂移后的恢复也很快，没有观察到指标的长期下降。这证实了该框架无需重新训练或外部干预即可进行在线适应。

4.3 细粒度分类
细粒度分类任务涉及区分十九个目标类别，代表了评估中最复杂的配置。尽管类别细粒度增加且数据流高度动态，所提出的Leveraging Bagging框架仍保持了强劲的性能。最终评估指标显示，模型的准确性为0.9860，精确度为0.9854，召回率为0.9860，F1分数为0.9849。这些紧密对齐的数值表明，即使在类别重叠严重和分布变化的情况下，模型也能有效平衡类别敏感性和精确度。Page–Hinkley漂移检测器在整个流中识别出十三次概念漂移事件。这些事件分布在分类过程的早期、中期和晚期阶段，漂移实例数量从1781到807,680不等。漂移的高频率突显了细粒度分类中数据分布的时间变化性和演变性质。重要的是，模型始终对这些变化做出响应，而性能没有持续下降，显示出其在非平稳输入的流式环境中的适应能力。表8中的运行时概况进一步证实了该框架在这种高复杂度设置下的效率。总执行时间为25,543.29秒，其中仅7.76秒用于漂移检测，14.26秒用于指标更新——占总运行时间的不到0.1%。这些结果表明，系统的监控和评估操作是非侵入性的，并不会影响实时吞吐量。在初始阶段（图7），模型在类别暴露有限的情况下表现出短暂的不稳定性，特别是在精确度和F1分数方面。随着处理更多实例（图8），性能指标迅速稳定，准确率和召回率显示出早期收敛。在中期阶段（图9），检测到几次概念漂移事件，伴随轻微的指标下降，尤其是精确度下降。然而，恢复迅速且一致，强调了模型的适应性。在最后阶段（图10），尽管发生了多次漂移事件，框架在所有指标上仍保持高且稳定的性能。

5. 讨论
本节全面分析了Leveraging Bagging模型在不同分类尺度上的性能。评估强调了运行时效率、对概念漂移的适应性、漂移事件前后准确性的稳定性以及在流式环境中的鲁棒性。此外，比较性见解突出了该模型相对于最近的离线和深度学习方法的实际优势和局限性。

5.1 二元分类
在二元分类场景中，区分良性流量和攻击流量的结果显示了几个显著的发现，包括运行时效率、计算分布和数据不平衡方面。首先，对实例级处理时间的分析（图15）表明，绝大多数实例在极窄的时间窗口内被处理，平均处理时间为0.0097秒，中位数为0.0095秒。尽管有1013个异常值超过了0.0368秒的阈值，但它们相对于总共处理的160万个实例而言比例可以忽略不计。这一结果证实了该框架的低延迟推理能力，这对于高吞吐量的实时IDS至关重要。

5.2 中等规模分类
六类分类设置中的运行时性能显示了一个高效的处理流程，平均每个实例的处理时间为0.0080秒，中位数为0.0070秒。狭窄的标准差（±0.0135秒）和极低的异常值比例（在160万个实例中仅有450个异常值）证实了系统实现了稳定且一致的运行时行为，这对于实时流式应用至关重要。直方图还显示，几乎所有处理时间都紧密集中在0.0486秒的异常值阈值以下，表明低延迟和最小的计算方差。

5.3 细粒度分类
细粒度分类任务涉及区分十九个目标类别，代表了评估中最复杂的配置。尽管类别细粒度和数据流的高度动态性增加，所提出的Leveraging Bagging框架仍保持了强大的性能。最终评估指标显示，模型的准确性为0.9860，精确度为0.9854，召回率为0.9860，F1分数为0.9849。这些紧密对齐的数值表明，即使在严重的类别重叠和分布变化情况下，模型也能有效平衡类别敏感性和精确度。Page–Hinkley漂移检测器在整个流中识别出十三次概念漂移事件。表7详细列出了这些事件。这些事件分布在分类过程的早期、中期和晚期阶段，漂移实例数量从1781到807,680不等。漂移的高频率突显了细粒度分类中数据分布的时间变化性和演变性质。重要的是，模型始终对这些变化做出响应，而性能没有持续下降，强调了其在非平稳输入的流式环境中的适应能力。时间消耗在漂移检测和指标更新之间的累积分解（图19）显示，这两个组成部分在整个数据流中均稳定地贡献了计算资源。值得注意的是，漂移检测约占总计算时间的40%，而指标更新占了60%。即使实例数量增加，这种平衡仍然保持不变，这支持了所提出方法的可扩展性。对于全部160万个实例的数据流，总累积运行时间保持在13秒以内，展现了系统的高吞吐量。图19. 累积时间分解。漂移分析（图20）识别出五个关键的漂移事件。在所有事件中，准确性都保持相对稳定，漂移前后仅存在微小的变化。所有漂移的准确性偏差均在±0.021%以下，表明模型能够快速适应并保持预测的稳定性，即使在分布发生变化的情况下也是如此。红色水平线表示平均准确性为0.99，而漂移后的准确性条形图显示几乎没有下降，甚至在某些情况下还有轻微的提高。图20. 漂移前/后准确性。类别分布分析（图21）揭示了数据集中的显著不平衡现象。DDoS和DoS类别占据了大多数样本，而MQTT、良性（Benign）、侦察（Recon）和欺骗（Spoofing）等类别的出现频率要低得多。这种不平衡给训练和漂移检测带来了复杂性。然而，模型在整个过程中的持续高准确性表明，结合使用Bagging和Hoeffding Trees的学习算法有效缓解了代表性不足类别所带来的挑战。图21. 类别频率变化。5.3. 高粒度分类的可扩展性在19个类别的设置中，所提出的在线学习框架展示了其对高粒度、高类别数量分类挑战的强适应性。每个实例的平均处理时间为0.0158秒，中位数为0.0142秒，尽管模型复杂度增加，但性能依然高效。虽然由于实例处理时间的差异，异常值数量增加到了15,836个（图22），但超过98%的样本在规定的正常范围内得到了处理，证明了运行时间的稳定性。图22. 处理时间分布。累积处理时间分析（图23）显示，处理160万个实例的总运行时间约为22秒，其中漂移检测占了37%，指标更新占了63%。运行时间开销保持在可接受范围内，反映了在高类别粒度环境中的高效扩展性。图23. 累积时间和漂移事件。系统总共检测到了13个漂移事件，表明其对数据分布变化的敏感度较高。然而，如图24所示，准确性依然非常稳定。平均准确性约为0.97，大多数漂移后的准确性要么与漂移前相当，要么略有提高。少数情况下的轻微下降（例如第5、8和9个漂移）在统计上不显著（<0.01%），并且迅速恢复，反映了框架对突然概念变化的能力。图24. 漂移准确性比较。图25展示了高粒度任务中的明显类别不平衡。虽然高频类别如DDoS-UDP和DDoS-ICMP出现的次数超过了35万次，但像DDoS-Connect_Flood、良性（Benign）和Port_Scan这样的罕见类别出现次数不到5万次。尽管存在这种严重偏斜，结合使用Bagging的分类器在整个数据流中保持了稳定的准确性，通过利用集成多样性和有效的漂移处理机制，有效应对了不平衡问题。图25. 类别分布趋势。5.4. 与现有方法的比较为了评估所提出的Leveraging Bagging框架在智能医疗网络中用于在线入侵检测的有效性，我们将其与最近的最先进模型进行了全面的比较，涵盖了二分类、中等规模和细粒度分类任务（表9）。基准测试包括在同一CICIoMT2024数据集上评估的传统离线学习方法和深度学习（DL）架构。表9. 现有模型的性能比较。在所有三种配置中，所提出的模型在准确性、精确度、召回率和F1分数方面始终表现出色。特别是在六类别分类任务中，所提出的在线方法的表现优于所有现有的离线模型，包括深度卷积神经网络（CNN）和Transformer，实现了最高的准确性（0.9949），超过了所有已报告的研究结果。这一结果突出了该模型在中等规模场景中的鲁棒性，在这些场景中，类别多样性和泛化能力之间的平衡变得至关重要。在二分类设置中，所提出的模型达到了0.9963的竞争性准确性。尽管一些离线模型，如TNN-DCNNs-LSTM（0.9999）、基于Transformer的架构（0.99847）和CNN（0.9978）报告了略高的准确性，但它们在静态、非自适应的环境中运行，并且需要大量的重新训练来应对不断变化的威胁。相比之下，所提出的Leveraging Bagging模型在实时约束下运行，并持续从传入的数据中学习，从而在自适应入侵检测中提供了显著的实际优势。在19个类别的任务中，这是一个具有高类别不平衡和细粒度的最复杂配置，所提出的模型实现了0.9860的准确性，优于几种已建立的模型，如XGBoost（0.9501）和随机森林（0.733）。只有Alireza等人的离线CNN（0.99）表现出略高的准确性，这得益于其深度架构设计和批量归一化层。然而，这些离线模型无法应对概念漂移和非平稳性，限制了它们在实际部署场景中的实用性。总体而言，结果表明，虽然在某些特定且静态的环境中某些离线模型可能优于所提出的方法，但Leveraging Bagging分类器在准确性和适应性之间提供了良好的平衡。它作为一种实用且高效的解决方案，特别适用于需要及时和准确响应的动态环境中的实时入侵检测，尤其是在智能医疗系统中。6. 结论本研究提出了一个模块化且自适应的在线入侵检测框架，专为智能医疗网络量身定制。通过结合使用Bagging和Hoeffding Trees，并通过Page-Hinkley测试进行实时漂移检测，所提出的方法在二分类、中等规模和细粒度入侵分类任务中展现了强大的性能。该框架实现了高准确性、低延迟以及对概念漂移的可靠适应性，在多类别场景中胜过了多个离线模型，同时在二分类任务中也保持了竞争力。其架构支持在异构的物联网（IoMT）环境中的可扩展和互操作部署。完整实现已公开可用，便于研究社区进行重现和进一步开发。在这项工作中，我们采用了默认配置的Leveraging Bagging和Page-Hinkley漂移检测器。虽然结果令人鼓舞，但未来的工作将探索超参数优化对分类性能[47]、模型响应性和漂移敏感性的影响，旨在进一步增强非平稳医疗环境中的自适应学习能力。