SARA-SHS：一种面向医疗物联网环境中联邦入侵检测系统的轻量级安全邻环聚合方法

《Internet of Things》：SARA-SHS: A lightweight secure adjacent ring aggregation for federated IDS in IoMT environments

　　

## 摘要

物联网/医疗物联网（IoT/IoMT）智能医疗系统中的入侵检测需要在保护隐私的前提下准确识别威胁，同时限制通信开销，并在资源受限的边缘设备上保持可行性。现有的集中式或重型协作方案在网络流量敏感、客户端数据非独立同分布（non-IID）、且交换的联邦贡献本身可能泄露本地环境信息的情况下，仍然难以部署。本文提出了SARA-SHS，一种隐私保护的联邦学习框架，使分布式的IoT/IoMT客户端能够训练一个共享的入侵检测模型，而无需传输原始网络数据。每个客户端执行本地预处理并训练一个轻量级的一维卷积神经网络（1D-CNN），而协调器则通过一种提出的相邻环安全聚合机制与可逆传输层混淆相结合的方式来聚合受保护的客户端贡献。在相邻环拓扑中，每个活动客户端仅与其两个逻辑邻居建立掩码关系；因此，对于包含At个活动客户端的某一轮t，掩码拓扑的增长从全对安全聚合下的O(At2)降低到O(At)，同时保留了聚合级掩码抵消特性。SARA-SHS通过一个可扩展至100个逻辑客户端的容器化联邦测试以及一个树莓派硬件在环测试台进行了评估。在CIC-IoT-2023、CIC IoT-DIAD 2024和DataSense数据集上的实验结果表明，加权F1分数为98.29%–99.19%，正常与攻击之间的ROC-AUC值为99.59%–100%，客户端间联邦精度离散度为0.02%–0.03%。这些结果表明，SARA-SHS为受限IoT/IoMT智能医疗环境中的联邦入侵检测提供了一种实用的隐私-可扩展性权衡方案。

## 引言

医疗物联网（IoMT）已经成为一整套临床基础设施，其中护理连续性、远程监测以及日益增长的医疗决策比例越来越依赖于身体传感器、智能输液泵、多参数监护仪、可通信植入设备、数据采集网关和集成化医院服务[1], [2], [3]。医疗数字技术的密集化不仅仅是实践的现代化。它通过促进实时生理观察改变了医学的时间动态，将测量活动转移到不可控的环境中，使信任框架依赖于嵌入式软件和多样化网络，并将高度敏感的数据转化为持续的大规模可利用数据流[4]。

直接后果是，IoMT不仅仅是一个额外的攻击面，而是一个网络安全与患者安全不可分割的领域[5]。这些系统在完整性、可用性或真实性方面的任何轻微缺陷都可能导致不仅数据泄露，还会导致信号质量下降、协议失真、临床警报延迟或运营设备中断。此类网络事件可能产生临床影响，而生理测量中产生的不确定性会损害医疗决策过程[6], [7], [8]。

这种脆弱性因IoMT环境的独特结构特征而加剧。设备在能量、计算和散热方面存在限制，阻碍了有效安全机制的部署，而嵌入式操作系统、网络协议栈、专有协议和更新周期的多样性使任何标准化策略都变得复杂[9], [10], [11]。技术脆弱性又被围绕医疗数据的法律与伦理敏感性所加剧。将医院服务和家庭网关的网络跟踪或应用程序日志集中化并非一个中立决定，因为这些跟踪即使被声称"已匿名化"，也常常包含准标识符、行为签名和时间相关性，可能导致患者重新识别或重建护理轨迹[12]。

针对IoMT环境的攻击专门瞄准那些以较低成本产生最大影响的元素。拒绝服务（DoS）攻击旨在降低监测基础设施的可用性或淹没网关[13], [14], [15]。Mirai式僵尸网络利用配置和暴露的服务漏洞获取设备并增强攻击。欺骗攻击，无论是针对地址/节点身份/ARP/DNS还是应用程序信息的攻击，都会破坏交易的合法性，并可能施加可信的度量或指令。在医疗领域，DoS不仅仅是对QoS的降级，更是对临床工作流程中可见性的中断。欺骗不仅是网络欺诈，更是产生"一致但虚假"的生理数据的可能性，这损害了对监测系统的信任[16], [17], [18], [19]。僵尸网络不仅仅是入侵，它还是在一个对中断容忍度极低且法律调查有限的环境中持久存在和复制的工具。

仅靠预防机制无法涵盖分布式医疗网络中可能出现的每一种攻击模式；因此入侵检测仍然是必要的。然而，许多现有的IDS方法是为企业环境开发的，在这些环境中设备、通信模式和管理控制相对一致。这些假设在医疗物联网（IoMT）中并不成立，其中异构设备在严格的隐私和运营约束下产生敏感流量。特别是，将网络数据发送到中央分析点的架构会增加医疗信息的暴露、通信开销以及对单一处理实体的依赖[20], [21]。

自主IDS在受限环境中运行，要么在主机级别，要么在网络段内，这简化了设计但施加了结构性约束。主要限制在于观察的多样性不足。签名、阈值或统计模型是在局部化的、有时是非传统的环境中调整的，这增加了操作变更期间产生误报的概率，反之在面对创新方法时则增加了漏报的概率[22], [23], [24], [25]。由于应用、负载和策略的变化，概念漂移迅速降低了参考配置的适用性，而缺乏可信标签使得有监督调整既脆弱又昂贵。资源限制（CPU、内存、存储）进一步限制了调查深度，并需要调整可见性。最终，攻击者可以利用环境噪声来隐藏其存在，在某些情况下通过增量投毒操纵本地学习过程[26], [27]。

联邦学习作为一种尊重匿名的协作人工智能（AI）的标杆模型已经出现。通过协调多个位置上的入侵检测训练并仅共享参数或梯度更新，它切断了整体性能与数据集中化之间的联系[28], [29]。

联邦平均（FedAvg）框架表明，一个协调服务器可以整合本地更新以创建统一模型，同时允许每个参与者保留对其私有数据的控制权[30], [31]。将此概念应用于IoMT环境是直观的。然而，这种应用不能简单化。来自医疗客户端的网络数据是非独立同分布的（non-IID），通常严重不平衡，其质量取决于传感器、网关和本地日志法规。连接是间歇性的，计算能力也各不相同。因此，有效的架构应将联邦学习视为不仅仅是一种"权重传输"，而是一个增强安全层，需要稳健的聚合、适应客户端在收敛过程中的变化，并确保在不损害运营稳定性的情况下持续改进[13], [32]。

此外，FedAvg的相关性源于其架构约束而非实现细节。一个中央编排服务器协调训练轮次并聚合客户端的模型更新，而不收集原始流量数据。在此设置中，客户端（如医疗网关、医院边缘服务器或智能节点）在各自的网络流记录上训练本地入侵检测器。然后服务器对得到的参数更新取平均以产生一个能够捕获共享攻击模式的全局检测器，同时保持数据本地性[33], [34], [35], [36]。

每个联邦周期就像一个改进循环。本地模型从站点特定数据中学习，通过标准分类指标衡量其质量，并且不是泄露敏感跟踪数据，而是仅向服务器传输更新后的参数。在这种配置下，对DoS、Mirai式行为和欺骗攻击等威胁的检测成为系统性目标而非每个站点的孤立努力，而保密性不再阻碍效率，因为它已被整合到学习机制本身之中。

基于上述局限性，本工作针对IoT/IoMT系统中隐私保护入侵检测的一个特定空白，因为现有的基于FL的IDS方法虽然减少了原始数据暴露，但通常对单个模型更新的保护不足够，且未系统性地解决安全聚合在受限边缘设备上的成本问题。因此，我们的提案旨在将交换的模型更新本身视为敏感信息，同时保持现实智能医疗部署所需的可扩展性。本工作的主要贡献如下：

第一，我们提出了SARA-SHS，一个用于IoT/IoMT入侵检测的隐私保护联邦学习框架，它在保持原始网络数据本地化的同时实现了跨分布式医疗客户端的协作学习。

第二，我们引入了一种相邻环安全聚合机制，其中每个活动客户端仅与其两个环形邻居建立掩码关系。对于包含At个活动客户端的某一有效轮次，该设计将掩码拓扑增长从全对安全聚合中的O(At2)降低到O(At)，同时保留了全局聚合所需的掩码抵消特性。在标称全活跃可扩展配置下，At = N。

第三，我们结合了可逆传输层混淆以减少交换模型参数在传输期间的直接可解释性，作为安全聚合层的补充。

第四，我们在一个可扩展至100个逻辑客户端的受控容器化联邦中，将SARA-SHS与FedAvg、全SA以及无混淆的SARA-SHS进行了对比评估，从而分离出标准聚合、完全安全聚合、相邻环掩码和混淆各自的影响。

最后，我们在树莓派硬件在环测试台上验证了完整框架，并评估了资源受限的边缘条件下的检测性能、客户端间稳定性、通信行为和联邦往返延迟。

本文其余部分组织如下。第2节回顾了现有的IoT/IoMT入侵检测、联邦学习、区块链辅助医疗安全，并确定了推动SARA-SHS的研究空白。第3节提出了整体架构、联邦学习工作流以及所提出框架的方法论依据。第4节详细描述了SARA-SHS的协议级实现，包括确定性成对掩码、基于Diffie-Hellman的邻居分配、成对掩码更新聚合以及复杂度分析。第5节描述了CIC-IoT-2023、CIC IoT-DIAD 2024和DataSense数据集，以及实验中使用的预处理和本地再平衡程序。第6节规定了评估设置、受控协议变体、容器化可扩展性评估、树莓派硬件在环验证和可重复性设置。第7节报告了评估指标、容器化可扩展性结果、掩码拓扑分析、通信和丢弃开销以及树莓派验证结果。第8节根据隐私、可扩展性、边缘可部署性、最新的研究和高级对抗威胁对研究结果进行了解释。第9节总结了主要发现并概述了未来研究方向。

## 第2节 文献综述

Sahoo等人[37]研究了如何在边缘IoT网络的联邦学习环境中通过联合改进概率保真度和可解释性来提高机器学习入侵检测的可信度。该框架称为NeuralBoost，使用堆叠泛化方法，其中多个强树基学习器被组合起来，其输出由深度神经网络元估计器进行融合，并通过保序和Sigmoid方法进行概率校准，并通过解释性分析……

## 第3节 系统架构

本节考察了所构建的架构及其主要组件。它包含了一个利用协作联邦学习来识别和缓解重大风险的可靠IoMT安全解决方案。图1展示了一个以患者为中心的医疗物联网（IoMT）框架。

在此配置中，多个医疗传感器（如心率和血糖监测器）持续收集生理数据并将其传输到集成在树莓派中的本地网关……

## 第4节 实现概述

本节通过三个互补算法概述了所提出的安全联邦学习系统SARA-SHS的详细协议。算法1描述了初始化阶段，其中服务器建立已注册客户端顺序π，收集已注册的DH公钥，并分发自定义相邻环配置所需的公钥材料。算法2描述了客户端在通信轮次t处的执行，其中每个活动客户端训练1D-CNN……

## 第5节 数据集概述

本研究中选择的数据集用于评估所提出的SARA-SHS入侵检测系统在类IoT/IoMT环境中的有效性，具体包括CIC-IoT-2023、CIC IoT-DIAD 2024和DataSense：CIC IIoT数据集2025，以下简称为DataSense。

### 5.1 总体目标与实验框架

本节提出了所设计的联邦安全相邻环聚合智能医疗系统（SARA-SHS）入侵检测系统，特别针对医疗物联网（IoMT）环境。其目标是实现对网络攻击的有效检测，同时尊重连接医疗设备特有的结构约束，即数据保密性、节点的地理分布、硬件异构性和有限的计算资源。

### 5.2 评估指标与符号说明

为了确保对容器化可扩展性评估和硬件在环树莓派验证的一致解释，两个实验层级使用相同的指标符号。由于客户端可能在训练过程中收敛、退出联邦或暂时不活跃，因此参与客户端的集合在不同联邦轮次中可能有所不同。

与协议符号保持一致，令 ???? 表示参与联邦轮次 ?? 的活跃客户端集合，并且

**讨论**

本节从三个互补维度解读实验结果：异构联邦数据分布下的检测有效性、相邻环安全聚合机制的掩码成本可扩展性，以及完整 SARA-SHS 流程在资源受限的物理边缘设备上的实际可行性。

关于检测有效性，在 CIC-IoT-2023、CIC IoT-DIAD 2024 和 DataSense 数据集上获得的结果表明，SARA-SHS 在异构数据分布下保持强

**结论与未来工作**

本文提出了 SARA-SHS，一种面向智能医疗环境中物联网/工业物联网入侵检测的隐私保护联邦学习框架，旨在应对分布式敏感流量、非独立同分布客户端行为、更新机密性、通信效率和边缘可部署性等联合约束。

所提出的框架将原始物联网/工业物联网数据保留在各自客户端本地，依赖轻量级一维卷积神经网络进行本地检测，并将安全聚合与传输层加密相结合

**CRediT 作者贡献声明**

Abdelwahed Berguiga：写作——审阅与编辑，写作——初稿撰写，可视化，验证，监督，软件，资源，项目管理，方法论，调查研究，资金获取，形式化分析，数据管理，概念化。

**利益冲突声明**

作者声明不存在已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。

Abdelwahed Berguiga

Prince Research Laboratory, University of Sousse, Tunisia