FedMedIDS：一个非独立同分布鲁棒的联邦深度卷积神经网络框架，用于保护物联网医疗和物联网健康设备

《Internet of Things》：FedMedIDS: A Non-IID-Resilient Federated DCNN Framework for Securing IoMT and IoHT Devices

　　

摘要
医疗物联网 (IoMT) 和健康物联网 (IoHT) 网络中设备的多样性对网络攻击造成了严重的安全漏洞。然而，由于数据隐私法规，传统的集中式机器学习方法并不总是适用于这些环境。本研究提出了一种新的深度卷积神经网络 (DCNN) 架构，用于 IoMT/IoHT 网络中的攻击检测。该架构集成了残差挤压激励 (RSE) 块、挤压激励注意力机制 (SEM) 和一种一维多池化方法。该模型在一个名为联邦医疗入侵检测系统 (FedMedIDS) 的联邦学习 (FL) 框架内进行了评估，该框架保留了数据隐私，并展示了在异构客户端场景下的鲁棒性。采用了四种不同的训练策略——集中式、FedAvg、FedProx 和 Local-Only——进行评估。提出的模型和现有模型在加拿大网络安全研究所 – 医疗物联网 2024 (CICIoMT2024) 和伊迪斯科文大学 – 健康物联网 (ECU-IoHT) 数据集上进行了测试，并与当前的深度学习模型进行了比较。针对 CICIoMT2024 数据集提出的 DCNN 在狄利克雷分布 α = 1.0 的情况下，在 FedAvg 下达到了高达 99.92% 的 F1 分数，在 α = 0.5 的 FedProx 下达到了 94.64%。在 α = 0.05 的最高异构水平下，它比长短期记忆网络 (LSTM) 高出多达 27%。在 ECU-IoHT 数据集上，在 α = 1.0 的情况下，FedAvg 下达到了高达 89.57% 的 F1 分数，FedProx 下达到了 89.50%。这比同一异构水平下的 LSTM 提高了多达 37%。

引言
物联网 (IoT) 技术的快速发展促使医疗保健从传统的以专家为中心的结构转变为以患者为中心的智能健康系统 (SHS) [1,2]。在此过程中，IoMT 和 IoHT 的概念脱颖而出。这些概念已成为一种变革性的范式，吸引了机器学习研究人员的极大兴趣，旨在改善患者护理和简化医疗流程 [3]。IoMT 使智能传感器、可穿戴设备和医疗设备能够通过网络相互连接。这使得血压、心率和血糖水平等关键参数能够实时监测 [4,5]。从个人日常活动中收集的数据用于心脏病早期诊断、老年护理和健身追踪等领域 [6,7]。特别是，COVID-19 全球大流行增加了医疗保健机构的负担。这种情况迫使医生远程诊断和治疗患者。因此，IoMT 在疾病识别、远程医疗和慢性病管理方面的作用——以及对这些解决方案的需求——呈指数级增长 [8,9]。这项技术进步迎来了健康 5.0 时代，其特征是智能本地化、实时数据集成和高级预测分析 [10]。然而，这些动态生态系统——医生和患者通过远程通道连接——也使资源分配和调度过程变得复杂 [11]。这种扩张伴随着严重的安全挑战。IoMT 生态系统中设备的多样性和数据的异构性质在敏感医疗信息的保护方面造成了重大漏洞 [12]。网络的增长也为网络攻击者创造了广泛的攻击面。拒绝服务 (DoS)、分布式拒绝服务 (DDoS)、中间人 (MitM) 和勒索软件等威胁不仅危害数据隐私，还直接危及患者安全 [4,9]。事实上，医疗数据在暗网上的价值被认为比金融数据更高，这使得保障这些系统的安全成为至关重要的必要条件 [9]。然而，传统的集中式机器学习模型需要在单个服务器上收集数据。这种情况存在隐私泄露、高通信延迟和单点故障等风险 [1,13]。此外，严格的数据隐私法规（如 GDPR 和 HIPAA）以及对高效本地计算的需求，使得这些模型远非总是适用于 IoMT 应用 [14]。为了克服这些挑战，FL 作为一种解决方案应运而生。FL 确保原始数据保留在本地设备上，只共享模型更新 [2,5,15]。这样既保留了数据隐私，又进行了协作模型训练。因此，FL 为异常检测和安全信息共享提供了创新解决方案 [15]。然而，IoMT 设备的处理能力和内存容量有限，需要开发资源高效的入侵检测系统 (IDS) [4,5]。

为了克服这些挑战，提出了一种新的深度卷积神经网络 (DCNN) 架构，用于检测 IoMT/IoHT 网络环境中的网络攻击。本研究的主要动机是，大多数现有的基于联邦学习的 IoMT 攻击检测系统都是在独立同分布 (IID) 数据的假设下或集中训练场景中进行评估的。然而，在检查现实世界的多医院和临床环境时，观察到患者档案、使用的医疗设备特征以及遭受攻击的程度在不同机构之间可能存在显著差异。因此，来自不同机构的数据预计不会遵循相同的分布，这自然导致联邦学习过程中出现非独立同分布 (non-IID) 的数据结构。这种情况引发了本研究的核心研究问题：一种通过残差连接、注意力机制和多个池化层增强的卷积神经网络 (CNN) 架构，在不同程度的统计异构性的联邦学习环境中能在多大程度上保持其性能？此外，哪些架构组件负责这种鲁棒性，每个组件对性能贡献有多大？为了解决这个问题，提出了一种在单一框架下整合 RSE 块、SEM 和多池化 (MP) 方法的 DCNN 架构。提出的 DCNN 架构在一个名为 FedMedIDS 的联邦学习框架内进行了评估，该框架旨在提高联邦学习性能，同时保留数据隐私。FedMedIDS 模拟了基于中心服务器和多个客户端之间进行的迭代模型更新的去中心化训练环境。提出的模型使用四种不同的训练策略——中央、FedAvg、FedProx 和 Local-Only——以及 CICIoMT2024 和 ECU-IoHT 数据集上的四种不同的狄利克雷异构水平 (α = 0.05, 0.1, 0.5, 1.0) 进行了评估，并与文献中表现高性能的 CNN、Transformer、LSTM 和深度神经网络 (DNN) 方法进行了比较。本研究的范围不仅限于评估提出架构的整体性能。研究还通过消融分析检查了架构组件（如残差连接、注意力机制和多池化）在联邦学习环境中对鲁棒性的单独贡献。此外，它系统地、透明地展示了提出的模型的性能优势在多大程度上在不同的异构水平下得以维持，以及在什么条件下开始下降。在此背景下，本研究的主要潜在贡献是，它为在资源有限的 IoMT/IoHT 环境中开发可靠、鲁棒和可扩展的攻击检测系统提供了一种方法。

本研究的主要贡献可以总结如下：
? 提出了一种名为 DCNN 的新深度学习架构，其中包括 RSE 块、SE 注意力机制和多池化，用于 IoMT/IoHT 网络中的攻击检测。
? 提出的 DCNN 架构在一个名为 FedMedIDS 的联邦学习框架内进行了评估，该框架旨在展示在非独立同分布 (Non-IID) 客户端场景下的鲁棒性。
? 除了简单地组合现有组件外，还在 α = 0.5 的情况下进行了系统的消融研究，以隔离并评估每个架构组件的单独贡献。相应地，
○ 移除多池化机制导致在 FedAvg 和 FedProx 下 F1 分数下降最大，分别下降了 0.96% 和 1.31 个百分点，突显了该组件在联邦鲁棒性中的核心作用。
○ 移除残差连接导致在 FedProx 下第二大下降，下降了 1.14 个百分点，而在 FedAvg 下的影响相对有限，为 0.25 个百分点。
○ 移除 SE 注意力机制导致在 FedAvg 下第二大下降，下降了 0.67 个百分点，而在 FedProx 下影响最小，下降了 0.43 个百分点。
? 系统地分析了提出的 DCNN 模型在集中式、FedAvg、FedProx 和 Local-Only 策略下，以及四种狄利克雷异构水平 (α = 0.05, 0.1, 0.5, 1.0) 下的性能，并与文献中已知的高性能模型（如 CNN、Transformer、LSTM 和 DNN）进行了比较。
? 在 FedMedIDS 框架内，提出的 DCNN 模型在 FedAvg 下且狄利克雷分布为 α = 1.0 时，在 CICIoMT2024 数据集上实现了高达 99.92% 的 F1 分数，在 α = 0.5 的 FedProx 下实现了 94.64%。在高异构性 α = 0.05 下，该模型比 LSTM 高出多达 27 个百分点。
? 在 ECU-IoHT 数据集上，在 α = 1.0 的情况下，FedMedIDS 框架在 FedAvg 下实现了高达 89.57% 的 F1 分数，在 FedProx 下实现了 89.50%，相比 LSTM 具有多达 37 个百分点的优势。

章节片段
相关工作
关于基于 FL 的 IoMT 和 IoHT 网络入侵检测的研究采用了各种机器学习和基于深度学习的方法。在此背景下，文献中提出的方法和使用的模型在表 1 中进行了比较呈现。如表所示，一些研究将传统机器学习分类器与 FL 集成以执行入侵检测。在这方面，[16] 使用深度置信网络 [16] 在 CIC-IoMT2024 上实现了 97.96% 的准确率
材料与方法
本节详细介绍了使用到的数据集、提出的深度卷积神经网络模型以及联邦学习框架。
实验设置、结果与讨论
本节描述了为重新实现 DCNN 模型而创建实验环境，该模型是在为检测 IoMT/IoHT 网络攻击而提出的 FedMedIDS 联邦学习框架内设计的。此外，还展示了 CNN [36]、Transformer [37]、LSTM [38] 和 DNN [14] 神经网络模型重新实现的实验研究，这些模型在文献中取得了成功的结果，以评估模型性能并进行比较分析。
结论
在本研究中，设计并提出了一种增强残差连接、SE 注意力机制和多池化的 DCNN 架构，用于检测 IoMT 环境中的网络攻击。提出的模型在保留数据隐私的联邦学习框架下，在规模各异的 CICIoMT2024 和 ECU-IoHT 数据集上进行了评估。四种不同的训练策略——集中式、FedAvg、FedProx 和 Local-Only——以及四种狄利克雷 α 分布 (0.05, 0.1, 0.5, 1.0)

作者贡献
G.D. 和 B.G. 参与了研究的概念和设计。材料准备、数据收集和分析由 G.D. 和 B.G. 完成。手稿的第一稿由 G.D. 撰写，两位作者都对先前的版本进行了评论。两位作者都阅读并批准了最终手稿。

数据可用性声明
本研究使用的数据集是公开可用的。CICIoMT2024 (IoMT 数据集 2024) 可通过以下链接访问：https://www.unb.ca/cic/datasets/iomt-dataset-2024.html。此外，ECU-IoHT 数据集可通过以下链接访问：https://ro.ecu.edu.au/datasets/48/。提出的 FedMedIDS 框架的源代码将在本手稿被接收后公开于：https://github.com/drdogangurkan/FedMedIDS。

资金
作者声明，在准备本手稿期间未收到任何资金、拨款或其他支持。

利益冲突
作者声明他们没有利益冲突。

CRediT 作者贡献声明
Burak Gencer: 写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，软件，资源，方法论，形式分析，数据整理，概念化。
Gurkan Dogan: 写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，监督，软件，项目管理，方法论，调查，资金获取，形式分析，概念化。

Burak Gencer|Gurkan Dogan
计算机工程系，工程学院，穆努尔大学，通杰利，土耳其