一种针对医疗物联网（IoMT）的对抗性鲁棒入侵检测框架，该框架采用基于数字孪生的行为威胁建模和联邦混合集成学习技术

《Scientific Reports》：An adversarial-resilient intrusion detection framework for internet of medical things (IoMT) using digital twin-enabled behavioral threat modeling and federated hybrid ensemble learning

　　

摘要

医疗物联网（IoMT）通过实现持续的患者监测和远程诊断，彻底改变了医疗行业。然而，这种发展也带来了重大的安全挑战。本文研究了IoMT设备中存在的漏洞，这些漏洞可能导致高级网络攻击，从而危及患者安全和数据完整性。我们分析了传统安全方法的局限性，并强调了采用自适应防御措施的必要性。我们评估了机器学习和深度学习模型在实时威胁检测以及识别IoMT网络中的异常行为方面的能力。此外，我们提出了一个安全框架，该框架将数字孪生技术与边缘计算相结合，以提高IoMT应用的可靠性。实验结果表明，在医疗设备常见的资源限制条件下，混合模型和深度学习模型仍能保持良好的检测性能。所提出的XGBoost组件在SmartWard数据集上的精确度达到了0.97，召回率为0.98，ROC-AUC值为0.999；而混合集成模型在FGSM攻击下表现出显著的对抗鲁棒性。关键决策路径的运行时间不到0.05秒，适用于资源有限的医疗设备。