用于无线人体区域网络入侵检测的优化深度玻尔兹曼机

《Scientific Reports》：Optimized Deep Boltzmann machine for intrusion detection in wireless body area networks

　　无线体域网（WBANs）旨在主动监测关键健康统计数据，但由于其无线特性和潜在漏洞，面临严重的安全挑战。WBAN中的入侵检测对于保护由互联医疗设备产生的敏感健康数据至关重要。有效的入侵检测系统（IDS）采用先进算法和机器学习（ML）技术来识别异常和潜在威胁，确保健康信息的真实性和隐私性。通过主动监控网络流量并检测未授权访问，这些系统增强了患者安全，维持了法规标准的合规性，并促进了对无线医疗技术的信任。本研究的主要目的是开发WBAN中的入侵检测系统（IDS）。首先进行WBAN仿真，然后进行数据预处理，包括数据清洗和归一化。接着使用Boruta算法选择数据中的重要特征，以降低所需的时间复杂度和存储空间。特征选择后，使用深度玻尔兹曼机（DBM）进行入侵检测，该DBM使用名为趋势因子平滑运行城市博弈优化器（TS-RCGO）的混合优化方法进行训练。其中，TS-RCGO是通过融合趋势因子平滑和运行城市博弈优化器（RCGO）开发而成的。因此，通过优化后的DBM，入侵者可以被有效检测。实验证据表明，基于TS-RCGO的DBM技术在性能上优于标准方法，准确率为95.9%，灵敏度为94%，召回率为96%，F值为94.9%。