基于集成 AI 模型的 IoMT 网络增强异常检测——基于 CICIoMT2024 数据集
密码学与安全
2025-02-18 v1 机器学习
摘要
Internet of Medical Things（IoMT）设备在医疗保健领域的快速普及带来了独特的网络安全挑战，主要due于多样化的通信协议以及这些设备的关键性。本研究旨在针对 IoMT 网络流量开发一个先进的实时异常检测框架，利用 AI/ML 模型和 CICIoMT2024 数据集。通过整合多协议（MQTT、WiFi）、面向攻击类型（DoS、DDoS）、时间序列（主动/空闲状态）以及面向设备（Bluetooth）数据，本研究全面捕获了 IoMT 的各种交互方式。在数据分析方面，我们采用了多种机器学习技术，包括针对特定攻击类型的 XGBoost 集成模型以提升性能、由 LSTM 和 CNN-LSTM 组成的序列模型以利用时间依赖性，以及表现优异的无监督模型如 Autoencoder 和 Isolation Forest 以进行通用异常检测。实验结果证明，集成模型可降低误报率并减少误检。
引用
@article{arxiv.2502.11854,
title = {Enhanced Anomaly Detection in IoMT Networks using Ensemble AI Models on the CICIoMT2024 Dataset},
author = {Prathamesh Chandekar and Mansi Mehta and Swet Chandan},
journal= {arXiv preprint arXiv:2502.11854},
year = {2025}
}