[论文解读] Survey of Machine Learning Based Intrusion Detection Methods for Internet of Medical Things

Ayoub Si-Ahmed, Mohammed Ali Al-Garadi+1 more|arXiv (Cornell University)|Feb 19, 2022

IoT and Edge/Fog Computing被引用 8

一句话总结

本文综述了面向医疗物联网（IoMT）的基于机器学习（ML）的入侵检测系统（IDS），分析其在IoMT三层架构——数据采集层、个人服务器层和医疗服务器层——中的应用。评估了各层的ML方法、数据集、优势与局限性，结论指出尽管基于ML的IDS可提升IoMT安全性，但数据稀缺、模型泛化能力不足以及对抗性攻击等问题仍是实际部署中的关键障碍。

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.

研究动机与目标

• 分析由于无线通信和设备资源有限，导致医疗物联网（IoMT）面临的安全漏洞与威胁。
• 评估基于机器学习（ML）的入侵检测系统（IDS）在应对IoMT特有安全与隐私挑战方面的有效性。
• 对IoMT的三个层级（数据采集层、个人服务器层和医疗服务器层）中的基于ML的IDS解决方案进行分类与比较。
• 识别在IoMT环境中存在的关键局限性，如缺乏标注数据、模型泛化问题以及对对抗性攻击的易感性。
• 通过阐明实际部署中基于ML的IDS所面临的挑战与开放性问题，为未来研究提供指导。

提出的方法

• 提出IoMT的三层架构模型：数据采集层（传感器）、个人服务器层（可穿戴设备/边缘设备）和医疗服务器层（集中式医疗系统）。
• 将基于ML的IDS方法分类为监督学习、无监督学习和半监督学习技术，并评估其在各IoMT层级中的适用性。
• 回顾并比较IoMT IDS研究中使用的数据集，包括ISCXIDS2012等公开基准数据集以及定制的医疗网络数据集。
• 分析随机森林、支持向量机（SVM）、深度神经网络（DNN）和XGBoost等ML模型在检测IoMT流量中异常与入侵行为方面的性能。
• 研究雾-云架构与联邦学习等架构模式在分布式IDS部署中的应用，评估其在延迟、隐私保护与可扩展性之间的权衡。
• 识别技术与伦理约束，如数据敏感性、缺乏公开医疗数据集，以及电子健康记录（EHRs）/电子病历（EMRs）中单点特征操纵的风险。

实验结果

研究问题

• RQ1 基于ML的IDS方法在IoMT架构的三个层级中，检测入侵与维持安全的性能表现如何？
• RQ2 监督学习、无监督学习与半监督学习模型在IoMT入侵检测中的关键优势与局限性是什么？
• RQ3 数据稀缺与标注挑战如何影响医疗环境中基于ML的IDS的开发与部署？
• RQ4 在IoMT IDS的联邦学习或雾-云架构中，模型共享带来的安全风险有哪些？
• RQ5 如何使ML模型对电子健康记录（EHRs）或电子病历（EMRs）中细微的单特征数据操纵具备更强的鲁棒性？

主要发现

• 基于ML的IDS在提升IoMT安全性方面展现出巨大潜力，尤其在检测传统密码学无法应对的异常行为与零日攻击方面。
• 监督学习方法虽能实现高检测准确率，但受限于真实IoMT环境中敏感医疗网络数据标注的稀缺性。
• 无监督与半监督学习更适合IoMT环境，因为手动标注敏感医疗数据成本过高且不切实际。
• 联邦学习为跨分布式IoMT设备训练模型提供了有前景的隐私保护方法，但在模型聚合阶段仍易受对抗性攻击影响。
• EHRs或EMRs中单点特征操纵带来的风险构成重大挑战，因为大多数ML模型设计用于检测大规模偏差，而非细微且有针对性的改动。
• 由于严格的隐私法规限制，用于IoMT入侵检测的公开医疗数据集极为稀缺，这阻碍了模型在不同机构间的泛化能力与基准测试。