DSTAN-Med：面向物联网医疗设备虚假数据注入攻击检测的具有生理合理性过滤的双通道时空注意力机制
密码学与安全
2026-05-15 v1
摘要
针对医疗物联网传感器流的虚假数据注入（FDI）攻击在传输过程中伪造生命体征，威胁患者安全，并使缺乏信息物理异常检测能力的临床监测系统失效。现有的深度学习检测器在共享的潜在空间中将传感器间的空间相关性与时间依赖性混淆，无法解开FDI攻击同时印下的独特空间和时间特征；目前没有方法利用领域知识来约束输出以排除生理上不可能的攻击模式。我们提出了DSTAN-Med，这是一个监督学习框架，包含一个双通道注意力机制（DAM），该机制将多变量传感器窗口通过在正交张量轴上操作的独立传感器维（SWA）和时间维（TWA）自注意力路径进行路由；一个用于局部时间特征提取的残差1D-CNN块；以及一个零参数的生理合理性过滤器（PPF），用于抑制违反领域知识界限的攻击特征。在三个IoMT传感器数据集——PhysioNet/CinC 2012（ICU生命体征）、MIMIC-III Waveform（连续ICU波形）和WESAD（可穿戴生物传感器信号）——上进行评估，DSTAN-Med 相对于最强的 Transformer 基线（TranAD）实现了7.4-8.3个百分点的平均灵敏度提升，在 p < 0.01 水平下显著（McNemar检验，Holm-Bonferroni校正）。PPF在所有三个语料库中以可忽略的灵敏度代价贡献了3.1-4.2个百分点的独立精度提升。消融研究证实每个组件都是单独必要的；仅移除残差连接就会使灵敏度降低14.0个百分点。源代码公开于 https://github.com/mehedi93hasan/DSTAN-MED。
引用
@article{arxiv.2605.14165,
title = {DSTAN-Med: Dual-Channel Spatiotemporal Attention with Physiological Plausibility Filtering for False Data Injection Attack Detection in IoT-Based Medical Devices},
author = {Md Mehedi Hasan and Rafiqul Islam and Md Zakir Hossain},
journal= {arXiv preprint arXiv:2605.14165},
year = {2026}
}
备注
14 pages, 5 figures