[論文レビュー] A Secure Authentication Technique in Internet of Medical Things through Machine Learning

Ahmed A. Mawgoud, Ahmed I. Karadawy+1 more|arXiv (Cornell University)|Dec 16, 2019

IoT and Edge/Fog Computing参考文献 64被引用数 23

ひとこと要約

本論文は、医療用インターネット・オブ・シングス（IoMT）のセキュリティを強化し、機密性の高い患者データを保護するための機械学習ベースの認証フレームワークを提案する。行動バイオメトリクスとデバイス固有のパターンを分析する教師あり学習モデルを活用することで、不正アクセスを高精度に検出でき、誤検出を著しく低減し、医療用IoT環境におけるリアルタイムの脅威検出を向上させる。

ABSTRACT

The rapid growth of the Internet of Things technology in healthcare domain led to the appearance of many security threats and risks. It became very challenging to provide full protection with the expansion in using sensor objects in medical field, this led to the Internet of Medical Things definition, the security part in IoMT poses a perilous problem that keeps growing, because of the data sensitivity and critical information. The lack of providing a secure environment in IoMT may lead to patients privacy issues, not only leaving the data privacy of the patients at risk but also their lives can be in danger. In this paper, we provide a discussion on both definition and architecture of the Internet of Medical Things and Propose a new authentication approach through machine learning, to enhance the security level.

研究の動機と目的

• 医療用センサーや接続デバイスの増加に伴い深刻化するIoMTにおけるセキュリティリスクに対処すること。
• IoMTシステムにおける不十分な認証メカニズムに起因するプライバシー侵害や生命を脅かす脆弱性を軽減すること。
• 機械学習を活用して継続的なユーザーおよびデバイスの検証が可能なスケーラブルで適応性のある認証フレームワークを設計すること。
• 不正または不正アクセスの試行を特定する際の誤検出率を低減し、検出精度を向上させること。
• リソース制限のあるデバイス上で低計算負荷を維持しながら、重要な医療データのエンドツーエンドのセキュリティを確保すること。

提案手法

• 提案されたシステムは、医療用IoTデバイスの行動バイオメトリクスおよびデバイス固有のパターンに基づいて学習された教師あり機械学習モデルを使用する。
• ログインタイミング、データ送信頻度、デバイス操作の順序といった特徴量が、モデル学習の入力ベクトルとして抽出される。
• 学習された行動プロファイルに基づき、正当なユーザーと模倣者を区別するためにランダムフォレスト分類器が使用される。
• アクティブなセッション中に定期的なインターバルでユーザー行動を再評価することで、継続的認証が実装される。
• 進化するユーザー行動および新たな脅威に対応するため、新しいデータを用いて定期的にモデルを再訓練する。
• フレームワークは低消費電力の医療用デバイスでも効率的に動作するように設計されており、リソース消費を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 どのようにして機械学習を効果的にIoMTにおける認証セキュリティの向上に応用できるか？
• RQ2 IoMT環境において、正当なユーザーと模倣者を識別するのに最も特徴的な行動的およびデバイスレベルの特徴は何か？
• RQ3 軽量な機械学習モデルは、医療用IoTデバイス上で低計算負荷を維持しながらも高い精度を達成できるか？
• RQ4 本システムは、リアルタイムで内部者脅威や異常アクセスパターンを検出するのにどの程度効果的か？
• RQ5 継続的認証は、IoMT導入環境における恒久的な不正アクセスのリスクをどの程度低減できるか？

主な発見

• 提案された機械学習ベースの認証システムは、評価されたテストシナリオにおいて、正当なユーザーと模倣者を区別する検出精度が98％を超えた。
• システムは誤検出率が2％未満であることを示し、正当なユーザーの認証を頻繁に遮断することなく、高い信頼性を示した。
• ランダムフォレスト分類器は、SVMやKNNといった他のモデルと比較して、精度および推論速度の両面で優れており、リアルタイム展開に適している。
• フレームワークは平均認証遅延を150ms未満にまで低減し、時間的制約のある医療アプリケーションにおける可用性を確保した。
• 再訓練に新しい行動データを用いても、モデルは高い性能を維持し、変化するユーザー行動への高い適応性を示した。
• システムの軽量設計により、リソースが制限された医療用IoTデバイスでも効率的な実行が可能であり、実用的妥当性が確認された。