CryptoDNA：受加密囚徒防御模型启发的医疗IoT防DDoS的机器学习范式
密码学与安全
2025-01-31 v1
摘要
医疗行业快速融合互联网物件(IoT)和医疗物件(IoM)设备显著提升了患者护理和医院运营，但同时也带来了巨大的风险。分布式拒绝服务(DDoS)攻击构成重大威胁，危及运营稳定性和患者安全。本研究引入一种创新机器学习检测框架CryptoDNA，受加密囚徒检测方法启发，旨�识识和缓解医疗IoT中的DDoS攻击。该方法依赖于行为分析，包括异常资源使用和网络活动模式。源自加密囚徒方法的关键特征包括基于熵的流量分析、设备性能的时间序列监控和动态异常检测。轻量级架构确保与资源受限IoT设备的兼容性，同时保持高检测准确率。该架构和模型在真实数据集和合成数据集上进行测试，以展示其卓越的性能，实现超过96%的检测准确率，计算开销最小。比较分析表明，其对抗新兴攻击向量具有鲁棒性，并在多样化设备生态系统中具有可扩展性。通过将加密囚徒和DDoS检测原则相结合，CryptoDNA为强化医疗IoT抵御不断演变的网络威胁提供了稳健、创新的解决方案，凸显了跨学科方法在关键医疗基础设施自适应网络安全防御机制中的潜力。
引用
@article{arxiv.2501.18549,
title = {CryptoDNA: A Machine Learning Paradigm for DDoS Detection in Healthcare IoT, Inspired by crypto jacking prevention Models},
author = {Zag ElSayed and Ahmed Abdelgawad and Nelly Elsayed},
journal= {arXiv preprint arXiv:2501.18549},
year = {2025}
}
备注
6 pages, 8 figures, under review