基于自监督时间流图扩散的医疗物联网入侵检测方法

《Computer Networks》：Self-supervised temporal flow graph diffusion for Internet of Medical Things intrusion detection

　　摘要
医疗物联网在临床监测和远程诊断中得到广泛应用，但其网络环境面临着日益复杂的安全威胁。实际应用中的限制包括高昂的医疗数据标注成本以及复杂的通信行为。因此，基于监督学习或静态特征建模的现有方法往往无法有效应对这些问题。这类方法无法准确描述现实医疗物联网环境中异常行为的演变规律。为解决这些难题，本文提出了Med-Diff——一种专为医疗物联网场景设计的自监督入侵检测框架。该框架构建多层时间流图，同时建模通信交互、层级关系和时间依赖性。此外，我们还引入了特征差异最大化优化机制，该机制在概率单纯形约束下运行，能够强化具有临床和安全辨识意义的特征维度。同时，通过结合跨视图扰动与结构一致性约束，我们构建了自监督学习目标，使模型能够学习具有辨识度的流层表示。关键在于，这一过程在训练阶段无需攻击标签。在四个真实数据集上的大量实验表明，Med-Diff的性能优于11种现有的先进基准方法，在医疗物联网场景下的最高F1分数可达98.9%，充分证明了其在复杂医疗物联网环境中实现强大且高可靠性入侵检测的能力。

引言
医疗物联网是物联网的一个重要分支，专为医疗健康环境设计。通过与医疗传感器和治疗设备紧密连接，它为持续监测患者的生理状态提供了重要支持[1]。与传统物联网不同，医疗物联网的通信模式与临床工作流程紧密关联，其安全性直接关系到患者的生命安全[2]。恶意攻击者若能破坏基于医疗物联网的医疗操作，就可能对患者造成不可逆的身体伤害[3]。例如，攻击者可能操控输液泵和起搏器等网络设备，从而改变药物剂量，对患者生命构成严重威胁[4][5]。

入侵检测系统被广泛用于网络环境中的异常监测和攻击识别。现有研究通常将入侵检测系统分为两类：基于签名方法和基于异常方法[6]。基于签名的方法依靠预定义规则或攻击签名进行匹配，具有误报率低、可解释性强的优点。而基于异常的方法则致力于学习正常行为与异常行为之间的边界，这类方法在复杂多变的环境中通常具有更强的泛化能力。早期的异常检测依赖于支持向量机、逻辑回归和决策树等统计模型，但这些方法高度依赖手工特征工程。近年来，深度学习显著推动了这一领域的发展，通过端到端建模，深度学习提升了高维复杂通信模式的表征能力[7][8]。在医疗物联网领域，诸如SaaS-IDS和Meta-IDS等最新研究也展现了强大的检测潜力[9][10]，这表明数据驱动方法在这一领域前景广阔。

尽管取得了这些进展，上述方法仍无法解决医疗物联网领域一个关键的现实问题：由于医疗数据的敏感性和私密性，对医疗物联网流量进行精细标注通常需要专业领域专家的参与。这一现实严重制约了那些依赖大量手工标注样本的检测方法的应用。我们对两个医疗物联网数据集进行了实证分析，结果如图1a和1b所示。其中，图1a展示了CICIoMT2024数据集的测试结果，图1b则为IoMT-TrafficData数据集的测试结果。在标注样本有限的情况下，现有的先进医疗物联网检测方法性能会显著下降。例如，在图1b中，Meta-IDS的检测性能降至近50%。这一现象凸显了一个迫切需求：减少对手工标注的依赖，对于医疗物联网入侵检测而言具有重要的研究价值。

一种直观的策略是将通用物联网领域的自监督和无监督入侵检测模型移植到医疗物联网环境中。诸如AGC和GraphIDS[11][12]之类的模型在物联网领域已被证明具有先进性能。从理论上讲，这种方法可以缓解标签短缺的问题。然而，我们的实证结果却显示了不同的情况，如图1c所示。图1c展示的是IoMT-TrafficData数据集的测试结果。这些模型在通用物联网场景中表现优异，但在医疗物联网环境中却难以保持领先性能。我们对这一现象进行了深入分析，发现性能差距并非源于模型能力不足，而是由医疗物联网场景特有的两种内在结构差异造成的。

时间演化不连续性：通用物联网设备通常保持稳定、连续的连接状态，而医疗物联网设备的活动则由不规则的临床流程驱动，其运行具有显著的不规律性和异步性。正如李等人[13]所指出的，并如图2所示，医疗物联网通信既非连续也非恒定，而是由临床工作流程和患者状态变化触发而间歇性发生。医疗物联网数据的辨识价值很大程度上取决于时效性，实时行为能够反映即时的临床状况和潜在风险。然而，大多数通用物联网入侵检测模型依赖历史数据的批量训练，随着临床工作流程的变化，这些模型可能无法充分适应医疗物联网环境中的实时通信动态。因此，在动态的医疗物联网流量中实现对异常序列的稳定表征至关重要，这也是实现有效医疗网络安全的关键瓶颈。

空间语义不匹配：新兴的医疗物联网安全威胁并不仅限于网络层面分析。由于医疗物联网系统涉及众多异构的医疗设备，安全风险也可能源自硬件层面的层级架构[14][15][16]。因此，医疗物联网的安全分析需要同时考虑网络行为、模型部署和设备分布。如图3所示，医疗物联网采用“云-边缘-终端”的层级架构，各种医疗设备分布在病房、床边及后台系统中，它们通过复杂的跨层交互协同工作。传统方法依赖单一的流量视角或扁平拓扑结构，可能难以全面把握系统的整体运行状态[17]。此外，医疗物联网还整合了HL7、DICOM和MQTT等特定协议，其数据内容与临床操作和语义高度关联，但通用物联网模型通常不会明确编码这些底层语义约束，这可能限制它们区分正常临床波动与异常的能力。因此，通用的流量建模范式可能需要针对医疗物联网进行特殊适配，这就带来了新的挑战——我们需要结合医疗物联网的空间拓扑与语义约束来提取具有辨识度的特征，这无疑是一个极具研究价值的方向。

总之，医疗物联网的安全并非简单地将通用网络安全技术扩展到医疗场景，这就引出了一个核心问题：如何在标注数据匮乏的情况下构建入侵检测模型？这样的模型必须同时能够表征临床的时间动态特征和空间语义结构，最终目标是在真实的医疗环境中实现稳定、可靠的异常检测。这一问题本质上属于通信行为分析任务，攻击证据体现在流量动态、端点交互、协议语义和时间模式之中。为解决这一问题，我们提出了面向流式入侵检测的医疗扩散自监督框架Med-Diff，这是一种专为医疗物联网设计的自监督入侵检测框架。与传统静态或扁平化方法不同，Med-Diff构建多层时间流图，充分利用异构层级结构和协议语义，既能体现临床工作流程变化带来的通信特征动态演化，又能更好地建模复杂的空间交互关系。由于医疗物联网的通信特征通常具有高稀疏性和较低的语义辨识度，因此在特征学习过程中我们引入了FDMO机制，该机制能够显式提升嵌入空间中不同通信模式的分离性。此外，Med-Diff还整合了图对比学习，能够在自监督环境中实现局部时间特征与全局拓扑结构的协同表征。最后，结合下游分类器，它在少量标注样本的情况下仍能实现准确的攻击识别。

我们提出了Med-Diff，这是一种专为医疗物联网设计的自监督入侵检测框架，它采用多层时间流图建模方法，能够表征通信行为的动态演化，从而帮助识别复杂的攻击模式。为解决有效特征稀缺和语义辨识度不足的问题，我们提出了FDMO机制，该机制能够在特征构建过程中显式提升通信行为的分辨能力。在动态流图中，特征的连续传播往往会导致过度平滑，为解决这一问题，我们设计了扩散强化机制，该机制能够精细调控时间扩散过程，从而降低特征表示在扩散过程中的退化风险。此外，我们还结合了跨图扰动和时空融合策略，这些策略能够生成强大的对比学习信号，引导模型自主挖掘潜在的结构模式。在多个数据集上的大量实验均证明了Med-Diff的优越性能。

本文的其余部分结构如下：第2节回顾相关研究，第3节详细阐述所提出的方法论和系统架构，第4节报告实验结果与性能评估，最后第5节对全文进行总结，并探讨未来研究的潜在方向。

相关研究
表1总结了Med-Diff与各类代表性入侵检测基准方法在时间建模、医疗物联网语义、扩散控制以及学习范式等方面的差异。

问题定义
设R={ri}i=1N表示按时间顺序排列的医疗物联网网络流量序列，其中每个流量记录ri代表源实体与目标实体之间的某次通信行为，包含时间戳、持续时间、协议字段以及流量级别的通信信息。根据网络流量的到达顺序，Med-Diff构建了时间流图序列：G=G1,G2,…,GT，其中每个Gt=(Vt,Et)表示第t个时间步骤下的医疗物联网通信图状态，Vt则表示该时刻的所有节点集合。

实验
在本节中，我们将围绕以下四个核心研究问题对Med-Diff进行全面评估：
Q1：在检测性能方面，Med-Diff能否超越现有的全监督和弱监督基准方法？
Q2：FDMO机制是否具有泛化能力，能否被有效迁移至其他模型中？
Q3：多级自适应强化学习对模型最终性能的具体贡献是什么？
Q4：Med-Diff的主要技术优势有哪些？

结论与未来工作
我们提出了Med-Diff，这是一种适用于标注数据有限的医疗物联网环境的入侵检测框架。与现有的监督式医疗物联网入侵检测方法以及通用的自监督图基入侵检测模型相比，Med-Diff进一步整合了时间流图建模、医疗物联网专用语义构建、FDMO机制以及扩散强化学习技术，旨在解决医疗物联网环境中标签短缺、时间不规律性以及层级化通信模式等问题。在多个数据集上的实验均验证了其有效性。

CRediT作者贡献声明
王新宇：撰写——初稿、软件实现、方法设计。王勇：软件实现、方法设计。肖庆军：撰写——审稿与编辑、资源准备、方法设计、资金获取。马建华：形式化分析、数据整理。张佳明：验证、形式化分析。翟继强：资源准备、资金获取。

利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢
本研究部分得到了国家自然科学基金项目（编号62372106）、国家关键研发计划项目（编号2020YFB1805204）、南京华创科技有限公司的资助，以及江苏省应用数学科学研究中心（编号BK20233002）和东南大学大数据计算中心的支持。王新宇目前在中国东南大学网络空间科学与工程学院攻读博士学位，他的研究兴趣包括网络安全、攻击检测、网络入侵检测以及网络测量，尤其专注于利用智能安全分析方法检测复杂网络环境中的恶意行为。

王新宇|王勇|肖庆军|马建华|张佳明|翟继强