[논문 리뷰] A Secure Authentication Technique in Internet of Medical Things through Machine Learning

Ahmed A. Mawgoud, Ahmed I. Karadawy외 1명|arXiv (Cornell University)|2019. 12. 16.

IoT and Edge/Fog Computing참고 문헌 64인용 수 23

한 줄 요약

이 논문은 의료 사물 인터넷(IoMT)의 보안을 강화하고 민감한 환자 데이터를 보호하기 위해 기계학습 기반의 인증 프레임워크를 제안한다. 사용자 행동과 장치 패턴을 분석하기 위해 지도 학습 모델을 활용함으로써, 비정상적인 액세스를 높은 정확도로 탐지하고, 잘못된 경고를 크게 줄이며, 의료 IoT 환경에서 실시간 위협 탐지 능력을 향상시킨다.

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.

연구 동기 및 목표

• 의료 센서와 연결된 장치의 사용 증가로 인해 증가하는 의료 사물 인터넷(IoMT)의 보안 위험을 해결하기 위해.
• IoMT 시스템에서 부적절한 인증 메커니즘으로 인한 개인정보 유출 및 생명을 위협하는 취약점을 완화하기 위해.
• 지속적인 사용자 및 장치 검증을 위해 기계학습을 활용하는 확장성 있고 적응 가능한 인증 프레임워크를 설계하기 위해.
• 불법 또는 비정상적인 액세스 시도를 식별할 때 거짓 긍정률을 줄이고 정확도를 향상시키기 위해.
• 자원이 제한된 장치에서 저소비 자원을 유지하면서도 핵심 의료 데이터에 대한 종단 간 보안을 확보하기 위해.

제안 방법

• 제안된 시스템은 의료 IoT 장치에서 유래한 행동 생체정보 및 장치 고유 패턴을 기반으로 훈련된 지도 학습 모델을 사용한다.
• 로그인 시점, 데이터 전송 빈도, 장치 상호작용 순서와 같은 특징들이 모델 훈련을 위한 입력 벡터로 추출된다.
• 학습된 행동 프로파일을 바탕으로 정상 사용자와 위장 사용자를 구분하기 위해 랜덤 포레스트 분류기가 사용된다.
• 활성 세션 중 정기적인 간격으로 사용자 행동을 재평가함으로써 연속적 인증이 구현된다.
• 변화하는 사용자 행동과 새로운 위협에 대응하기 위해 새로운 데이터를 사용해 주기적으로 모델 재훈련이 수행된다.
• 프레임워크는 저전력 의료 장치에서 효율적으로 작동하도록 설계되어 자원 소비를 최소화한다.

실험 결과

연구 질문

• RQ1 기계학습은 의료 사물 인터넷(IoMT)의 인증 보안을 향상시키는 데 어떻게 효과적으로 적용될 수 있는가?
• RQ2 IoMT 환경에서 정상 사용자와 위장 사용자를 식별하는 데 가장 구분력 있는 행동 및 장치 수준의 특징은 무엇인가?
• RQ3 경량 기계학습 모델은 의료 IoT 장치에서 저소비 컴퓨팅 오버헤드를 유지하면서도 높은 정확도를 달성할 수 있는가?
• RQ4 시스템은 실시간으로 내부자 위협과 이질적인 액세스 패턴을 탐지하는 데 얼마나 잘 작동하는가?
• RQ5 연속적 인증은 IoMT 구현에서 지속적인 비정상 액세스 위험을 어느 정도 감소시킬 수 있는가?

주요 결과

• 제안된 기계학습 기반의 인증 시스템은 평가된 테스트 시나리오에서 정상 사용자와 위장 사용자를 식별하는 데 98% 이상의 검출 정확도를 달성했다.
• 시스템은 2% 이하의 거짓 긍정률을 보이며, 빈번한 중단 없이 정상 사용자를 신뢰성 있게 인증하는 데 성공했다.
• 랜덤 포레스트 분류기가 정확도와 추론 속도 측면에서 SVM 및 KNN 등의 다른 모델보다 뛰어나 실시간 배포에 적합한 것으로 나타났다.
• 프레임워크는 평균 인증 지연 시간을 150ms 이내로 줄여, 시간 민감도가 높은 의료 응용 분야에서의 사용성 확보에 기여했다.
• 새로운 행동 데이터로 재훈련한 후에도 모델이 높은 성능을 유지하여 변화하는 사용자 패턴에 대한 강력한 적응 능력을 보였다.
• 시스템의 경량 설계 덕분에 자원이 제한된 의료 IoT 장치에서 효율적으로 실행될 수 있었으며, 실용적 실행 가능성은 확인되었다.