《Array》：SPARTA-Net: Multi-Modal Transformer Framework with Cognitive Vulnerability Indexing for Real-Time Social Engineering Attack Detection in Healthcare IoT and Neural Rehabilitation Systems
编辑推荐：
医疗物联网（Internet of Medical Things, IoMT）设备、脑机接口（brain-computer interfaces, BCIs）和远程康复平台的激增引入了关键的网络安全漏洞，特别是那些利用神经受损用户认知局限的社会工程攻击。现有的
医疗物联网（Internet of Medical Things, IoMT）设备、脑机接口（brain-computer interfaces, BCIs）和远程康复平台的激增引入了关键的网络安全漏洞，特别是那些利用神经受损用户认知局限的社会工程攻击。现有的入侵检测和异常检测系统依赖于静态的、基于规则的范式，无法建模医疗物联网环境中高级威胁行为者所采用的动态社会心理操纵策略。研究人员提出SPARTA-Net（Socio-Psychological AI for Real-Time Threat Assessment Network），一种新颖的深度学习框架，该框架集成了多头交叉注意力欺骗检测器（Multi-Head Cross-Attention Deception Detector, MHCADD）与实时认知脆弱性指数（Cognitive Vulnerability Index, CVI），用于跨文本、韵律和行为生物特征模态的自适应社会工程攻击检测。MHCADD采用交叉注意力Transformer架构来捕获模态间的欺骗线索，而CVI利用击键动态、鼠标轨迹不规则性和交互时序熵来量化用户脆弱性。一个门控上下文风险融合引擎将这些信号与环境特征相结合，生成自适应的、用户特定的威胁评分。一个基于知识蒸馏的持续学习模块解决了演化攻击策略中的概念漂移问题。在公开可用的钓鱼邮件数据集（Phishing Email Dataset，来源：https://www.kaggle.com/datasets/naserabdullahalam/phishing-email-dataset）上的实验评估显示，该数据集包含来自Enron、Nazario、CEAS、Ling和SpamAssassin语料库的标注钓鱼和合法电子邮件通信，行为生物特征流由CMU击键动态基准数据集（CMU Keystroke Dynamics Benchmark Dataset）增强。结果表明，SPARTA-Net实现了96.73%的检测准确率，相比最先进的基线（包括BERT-Phish、DeepSE-Guard和SE-Transformer），F1分数提高了8.4%，假阳性率降低了12.7%。在GPU硬件上的实时推理延迟为23.4毫秒，表明在边缘受限的IoMT环境中具有潜在部署可行性，但需进一步临床验证。统计显著性（p<0.001, Cohen's d>1.8）验证了所提出框架的优越性。SPARTA-Net代表了一个离线计算概念验证，完全在公开可用的SEA-Dataset基准上评估；所有报告的性能指标均在受控实验条件下获得，临床可行性仍须在带有认证IoMT硬件的实时远程康复环境中进行前瞻性验证。
随着医疗物联网（Internet of Medical Things, IoMT）设备、脑机接口（brain-computer interfaces, BCIs）和远程康复平台的普及，网络安全漏洞日益突出，尤其是针对神经受损用户认知局限的社会工程攻击。现有入侵检测和异常检测系统依赖静态规则，无法建模高级威胁行为者的动态社会心理操纵策略，因此需要实时、自适应的多模态检测框架，并考虑受害者认知脆弱性。研究人员提出SPARTA-Net（Socio-Psychological AI for Real-Time Threat Assessment Network），一种多模态深度学习框架，整合了多头交叉注意力欺骗检测器（Multi-Head Cross-Attention Deception Detector, MHCADD）和认知脆弱性指数（Cognitive Vulnerability Index, CVI），在公开数据集上实现优异性能，该论文发表在《Array》。
研究人员采用的关键技术方法包括：多模态数据摄入层，同时处理文本、韵律和行为生物特征流；MHCADD模块，利用交叉注意力Transformer架构融合模态间欺骗线索；CVI模块，基于击键动态熵、鼠标轨迹不规则性、响应延迟偏差和交互时序一致性计算实时脆弱性分数；门控上下文风险融合引擎，通过门控向量结合环境特征生成自适应威胁评分；持续学习模块，基于知识蒸馏应对概念漂移。样本队列来源：SEA-Dataset（Social Engineering Attack Dataset），包含来自Enron、Nazario、CEAS、Ling和SpamAssassin语料库的钓鱼邮件及vishing、smishing样本，行为生物特征由CMU击键动态基准数据集（CMU Keystroke Dynamics Benchmark Dataset）增强。
研究结果如下：
4.2 训练收敛性分析：通过训练和验证损失曲线分析，发现模型在约45个epoch后收敛，训练准确率98.2%，验证准确率96.8%，表明无过拟合且泛化良好。
4.3 分类性能：在SEA-Dataset上，SPARTA-Net达到96.73%准确率，相比最强基线SE-Transformer提高了3.79个百分点，F1分数0.962，AUC 0.989，假阳性率2.41%，统计显著性p<0.001。
4.4 受试者分层分析：按参与者类型分层，SPARTA-Net在康复患者（低技术素养）组中准确率从BERT-Phish的78.2%提升至94.8%，增幅最大，验证了CVI自适应阈值对脆弱群体的保护效果。
4.5 混淆矩阵分析：与SE-Transformer相比，SPARTA-Net在14个攻击类别上的误分类率显著降低，尤其是与真实通信相似的复杂pretexting攻击。
4.6 消融研究：移除MHCADD导致准确率下降5.2%，移除CVI自适应阈值下降4.1%，移除持续学习下降2.8%，同时移除MHCADD和CVI下降8.9%，证实各组件协同作用。
4.7 统计分析：配对t检验显示SPARTA-Net与所有基线有显著差异（p<0.001），Cohen's d值在1.82至3.47之间，Friedman检验确认非随机变异。
4.8 计算效率：在NVIDIA A100上平均延迟23.4ms，在RTX 3060
