[논문 리뷰] Survey of Machine Learning Based Intrusion Detection Methods for Internet of Medical Things

Ayoub Si-Ahmed, Mohammed Ali Al-Garadi외 1명|arXiv (Cornell University)|2022. 02. 19.

IoT and Edge/Fog Computing인용 수 8

한 줄 요약

이 논문은 인터넷 의료 사물(IoMT)을 위한 기계학습(ML)-기반 침입 탐지 시스템(IPS)을 조사하며, 데이터 수집, 개인 서버, 의료 서버 수준을 포함하는 3층 IoMT 아키텍처 전반에서의 응용을 분석한다. 각 계층에서 ML 방법, 데이터셋, 장점 및 한계를 평가하며, ML 기반 IDS가 IoMT 보안을 향상시키지만 데이터 부족, 모델 일반화 문제, 악성 공격 등이 실제 구현에 있어 중요한 장벽으로 남아 있음을 결론 내린다.

ABSTRACT

The Internet of Medical Things (IoMT) has revolutionized the healthcare industry by enabling physiological data collection using sensors, which are transmitted to remote servers for continuous analysis by physicians and healthcare professionals. This technology offers numerous benefits, including early disease detection and automatic medication for patients with chronic illnesses. However, IoMT technology also presents significant security risks, such as violating patient privacy or exposing sensitive data to interception attacks due to wireless communication, which could be fatal for the patient. Additionally, traditional security measures, such as cryptography, are challenging to implement in medical equipment due to the heterogeneous communication and their limited computation, storage, and energy capacity. These protection methods are also ineffective against new and zero-day attacks. It is essential to adopt robust security measures to ensure data integrity, confidentiality, and availability during data collection, transmission, storage, and processing. In this context, using Intrusion Detection Systems (IDS) based on Machine Learning (ML) can bring a complementary security solution adapted to the unique characteristics of IoMT systems. Therefore, this paper investigates how IDS based on ML can address security and privacy issues in IoMT systems. First, the generic three-layer architecture of IoMT is provided, and the security requirements of IoMT systems are outlined. Then, the various threats that can affect IoMT security are identified, and the advantages, disadvantages, methods, and datasets used in each solution based on ML at the three layers that make up IoMT are presented. Finally, the paper discusses the challenges and limitations of applying IDS based on ML at each layer of IoMT, which can serve as a future research direction.

연구 동기 및 목표

• 무선 통신과 제한된 장치 자원으로 인해 영향을 받는 인터넷 의료 사물(IoMT)의 보안 취약성과 위협을 분석하기 위해.
• ML 기반 침입 탐지 시스템(IPS)이 IoMT 특화 보안 및 개인정보 문제를 해결하는 데 얼마나 효과적인지 평가하기 위해.
• IoMT의 3계층(데이터 수집, 개인 서버, 의료 서버 수준)에 걸쳐 ML 기반 IPS 솔루션을 분류하고 비교하기 위해.
• 실제 IoMT 환경에서의 라벨 없는 데이터 부족, 모델 일반화 문제, 악성 공격에 대한 취약성 등의 주요 한계를 식별하기 위해.
• 실제 IoMT 환경에서 ML 기반 IDS를 구현할 때의 과제와 열린 문제들을 정리하여 향후 연구를 안내하기 위해.

제안 방법

• 데이터 수집 계층(센서), 개인 서버 계층(웨어러블/에지 장치), 의료 서버 계층(중앙집중식 헬스케어 시스템)을 포함하는 IoMT의 3계층 아키텍처 모델을 제안한다.
• ML 기반 IPS 방법을 지도학습, 비지도학습, 준지도학습 기법으로 분류하고 각 IoMT 계층에 적합한지를 평가한다.
• 공개 벤치마크인 ISCXIDS2012 및 커스텀 의료 네트워크 데이터셋을 포함한 IoMT IPS 연구에서 사용된 데이터셋을 검토하고 비교한다.
• Random Forest, SVM, DNN, XGBoost 등의 ML 모델 성능을 분석하여 IoMT 트래픽에서의 이질성 및 침입을 탐지하는 데에 활용한다.
• 지연, 프라이버시, 확장성 측면에서의 상충 관계를 평가하여 분산형 IDS 배포를 위한 퍼그-클라우드 및 피어드 학습 아키텍처 패턴을 분석한다.
• 데이터 민감성, 공개 의료 데이터셋 부족, 전자 건강 기록(EHRs)/전자 의료 기록(EMRs)에서의 단일 기능 조작 위험 등의 기술적 및 윤리적 제약 조건을 식별한다.

실험 결과

연구 질문

• RQ1 ML 기반 IPS 방법은 IoMT 아키텍처의 3계층에서 침입을 탐지하고 보안을 유지하는 데 어떻게 성능을 발휘하는가?
• RQ2 지도학습, 비지도학습, 준지도학습 모델이 IoMT 침입 탐지에서 가지는 주요 장점과 한계는 무엇인가?
• RQ3 데이터 부족과 레이블링 과제는 의료 환경에서의 ML 기반 IPS 개발 및 구현에 어떻게 영향을 미치는가?
• RQ4 IoMT IPS를 위한 피어드 또는 퍼그-클라우드 아키텍처에서의 모델 공유와 관련된 보안 위험은 무엇인가?
• RQ5 전자 건강 기록(EHRs) 또는 전자 의료 기록(EMRs)에서의 미세한 단일 기능 데이터 조작에 대응할 수 있도록 ML 모델을 어떻게 강화할 수 있는가?

주요 결과

• ML 기반 IPS는 기존 암호화 기법이 해결할 수 없는 이질성 및 제로데이 공격을 탐지하는 데 강력한 잠재력을 보이며, IoMT 보안 향상에 기여할 수 있다.
• 지도학습 방법은 높은 탐지 정확도를 달성하지만, 특히 실제 IoMT 환경에서의 민감한 의료 네트워크 데이터의 레이블링 부족으로 인해 제한된다.
• 비지도학습 및 준지도학습 방법은 의료 데이터의 민감성과 수동 레이블링의 비용이 매우 높기 때문에 IoMT 환경에 더 적합하다.
• 피어드 학습은 분산된 IoMT 장치 간의 모델 훈련에 있어 프라이버시를 보존하는 데 유망한 접근법이지만, 모델 집계 단계에서 악성 공격에 취약하다.
• EHRs나 EMRs에서의 단일 기능 조작 위험은 심각한 과제를 안겨주며, 대부분의 ML 모델이 큰 규모의 이질성을 탐지하도록 설계되어 있어 미세하고 타겟된 변경에는 취약하다.
• строгие приватности-регуляции로 인해 IoMT 침입 탐지용 공개 의료 데이터셋이 극도로 부족하여, 기관 간 모델 일반화 및 벤치마크가 어렵다.