基于CSGSACNN-HMOA框架的医疗网络物理系统智能安全威胁检测研究

《Scientific Reports》：An intelligent cyber-attack detection framework for healthcare cyber-physical systems using optimized graph-based deep learning

　　

摘要

医疗网络物理系统（HCPS）整合智能医疗设备以实现高效的患者监测与治疗。这些网络中的系统连通性与数据流为专业网络攻击者带来了更大的风险。医疗机构需要超越静态安全工具的现代检测方法，以应对动态系统中不断演变的复杂安全威胁。医疗机构急需智能自适应检测系统，该系统需具备精确识别能力、快速响应以及最少化的误报。保护敏感患者数据并确保HCPS基础设施的可靠性是本研究的核心动因。所提出的系统在第一阶段使用双调X滤波（BF）进行噪声鲁棒的数据预处理，随后采用Gabor小波希尔伯特变换（GWHT）从生理信号中提取丰富的特征集。来自第二层的基本特征由Clifford可转向图采样与聚合卷积神经网络（CSGSACNN）进行处理。该框架的学习参数通过人类记忆优化算法（HMOA）优化至最佳性能水平。完整流程旨在检测威胁，同时通过全面特征提取保持高精度，从而支持医疗系统在峰值水平运行并提高可扩展性。攻击检测模型达到99.4%的准确率，精确率为98.4%，召回率为98.0%，特异性为97.9%。该框架具有快速性能、最小化网络使用，并在所有关键测量方面取得优越结果。CSGSACNN-HMOA框架通过实现智能威胁检测，提供高精度与高效威胁处理能力，从而惠及医疗患者安全。该模型在保护数据完整性和患者安全的同时，支持在可扩展的医疗环境中安全部署。