
-
生物通官微
陪你抓住生命科技
跳动的脉搏
感知泄漏、鲁棒不平衡的信息物理医疗系统入侵检测流水线及其多层次AI威胁审计
《Scientific Reports》:Leakage-aware and imbalance-robust gradient boosting for intrusion detection in cyber-physical healthcare systems under adversarial AI threats
【字体: 大 中 小 】 时间:2026年09月19日 来源:Scientific Reports 4.9
编辑推荐:
摘要信息物理医疗系统(CPHS)日益依赖基于机器学习的入侵检测系统(IDS)来保护联网医疗设备和患者监控基础设施。然而,IDS本身也引入了新的攻击面:它面临着AI特有的威胁——数据投毒、对抗性逃逸和模型劫持(后门)——并且其报告的准确率常常因未被发现的标签泄漏以及以扭曲工作点
信息物理医疗系统(CPHS)日益依赖基于机器学习的入侵检测系统(IDS)来保护联网医疗设备和患者监控基础设施。然而,IDS本身也引入了新的攻击面:它面临着AI特有的威胁——数据投毒、对抗性逃逸和模型劫持(后门)——并且其报告的准确率常常因未被发现的标签泄漏以及以扭曲工作点方式处理的类别不平衡而被虚高估计。针对WUSTL-EHMS-2020医疗信息物理系统数据集(16,318条流;35个网络流特征和8个生物特征;12.5%的攻击占比),我们提出了一条感知泄漏、鲁棒应对不平衡的检测流水线,并对其所面临的三类威胁进行了全面审计。一次深度为1的决策树桩审计识别并移除了一个仅凭源MAC地址列就能以准确率1.0预测标签的字段(一个典型的教科书式泄漏案例),从而恢复了诚实的评估环境。类别不平衡问题通过在梯度提升检测器内部采用代价敏感的重加权机制(scale_pos_weight)来处理,而非激进的合成平衡方法——我们表明后者正是导致攻击类精确率偏低的根本原因。经过调优的检测器在留出集上达到了0.973的准确率、0.87的攻击类精确率、0.93的召回率、\(F_1=0.90\)和0.992的AUC,并且在十种分类器的基准测试中是统计上最优的模型(Friedman \(\chi ^2=86.55\),\(p\approx 8\times 10^{-15}\);成对Wilcoxon检验\(p=0.002\),在经Bonferroni校正的九次同时比较后仍然显著)。对该数据集的威胁审计揭示了一个分层的风险态势:标签翻转仅轻度降低\(F_1\),对抗性逃逸在大预算FGSM攻击下达到0.45的峰值,而所有后门触发器在仅\(1\%\)的投毒率下即实现了\(100\%\)的逃逸率,同时保持了干净流量的检测能力——这是一种静默入侵,干净数据监控无法察觉;完整的后门防御方案(激活聚类、触发器逆向工程)被列为优先的未来工作,而非在本研究中实施。作为一种模型无关的防御层,我们增加了一个随机平滑保形预测弃权器(\(K=100\)次平滑抽样,\(\sigma =0.15\)),它维持了\(95\%\)的覆盖率保证(实际值为0.955),并能重新标记点分类器遗漏的逃逸流量。我们进一步表明,按样本校准至\(5\%\)误报率的检测器能够跟踪真实的逃逸行为,而分布级别的测试则会在任何扰动出现时触发告警,无论逃逸是否成功。这些发现基于单一的信息物理医疗基准数据集,在将其推广到其他数据集或攻击组合之前应谨慎解读;然而,所提出的方法论与具体数据集无关,可直接迁移应用。