[论文解读] A Secure Authentication Technique in Internet of Medical Things through Machine Learning
本文提出了一种基于机器学习的物联网医疗（IoMT）认证框架，以增强安全性并保护敏感患者数据。通过利用监督学习模型分析用户行为和设备模式，该方法在检测未授权访问方面实现了高精度，显著降低了误报率，并提高了医疗物联网环境中的实时威胁检测能力。
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.
研究动机与目标
- 解决由于医疗传感器和联网设备使用日益增加，导致物联网医疗（IoMT）中日益增长的安全风险。
- 缓解因IoMT系统中认证机制不足而导致的隐私泄露和危及生命的漏洞。
- 设计一种可扩展、自适应的认证框架，利用机器学习实现对用户和设备的持续验证。
- 降低误报率并提高识别恶意或未授权访问尝试的检测准确性。
- 在保持资源受限设备上计算开销较低的前提下，确保关键医疗数据的端到端安全。
提出的方法
- 所提出的系统使用监督学习模型，基于医疗物联网设备的生物特征行为和设备特定模式进行训练。
- 提取登录时间、数据传输频率和设备交互序列等特征作为模型训练的输入向量。
- 采用随机森林分类器，基于学习到的行为特征档案区分合法用户与冒充者。
- 通过在活跃会话期间定期重新评估用户行为，实现持续认证。
- 定期使用新数据对模型进行再训练，以适应用户行为的演变和新兴威胁。
- 该框架设计为在低功耗医疗设备上高效运行，最大限度减少资源消耗。
实验结果
研究问题
- RQ1如何有效应用机器学习以提升物联网医疗（IoMT）中的认证安全性？
- RQ2在IoMT环境中，哪些行为和设备级特征最能有效区分合法用户与冒充者？
- RQ3轻量级机器学习模型是否能在医疗物联网设备上保持低计算开销的同时实现高精度？
- RQ4该系统在实时检测内部威胁和异常访问模式方面的表现如何？
- RQ5持续认证在多大程度上降低了IoMT部署中持续未授权访问的风险？
主要发现
- 所提出的基于机器学习的认证系统在评估的测试场景中，区分合法用户与冒充者的检测准确率超过98%。
- 该系统表现出低于2%的误报率，表明在频繁中断的情况下仍能可靠地认证真实用户。
- 随机森林分类器在准确率和推理速度方面均优于SVM和KNN等其他模型，适用于实时部署。
- 该框架成功将平均认证延迟降低至150ms以下，确保在时间敏感的医疗应用中的可用性。
- 即使在使用新行为数据重新训练后，模型仍保持高性能，显示出对用户模式变化的强适应能力。
- 该系统的轻量化设计使其能够在资源受限的医疗物联网设备上高效执行，证实了其实际可行性。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。