借助可解释机器学习提升 IoMT 安全性：基于 CICIOMT2024 数据集的案例研究
密码学与安全
2025-09-16 v1
摘要
可解释人工智能（XAI）增强了人工智能模型的透明度和可解释性，缓解了其内在的不透明性问题。在网络安全领域，尤其是针对医学物联网（IoMT），基于 AI 的威胁检测的黑箱特性构成了重大挑战。网络安全专业人员不仅要检测攻击，还必须理解 AI 决策背后的推理逻辑，以确保信任与问责。针对连接医疗设备的网络攻击呈快速增长趋势，这些攻击威胁患者安全和数据隐私，亟需采用先进的 AI 驱动解决方案。本研究比较了两种集成学习技术——装袋（bagging）与提升（boosting）——在 IoMT 环境中的网络攻击分类应用。我们选取随机森林（Random Forest）作为装袋方法，选取 CatBoost 作为提升方法。随机森林有助于降低方差，而 CatBoost 通过将弱分类器组合成强集成模型来改善偏差，二者均对检测复杂攻击有效。然而，其复杂性往往会降低透明度，使网络安全专业人员难以解读和信任其决策。为此，我们应用 XAI 模型生成局部与全局解释，提供对 AI 决策过程的洞察。通过 SHAP（Shapley Additive Explanations）和 LIME（Local Interpretable Model-agnostic Explanations）等技术，我们突出显示特征重要性，以帮助利益相关者理解驱动网络威胁检测的关键因素。
引用
@article{arxiv.2509.10563,
title = {Enhancing IoMT Security with Explainable Machine Learning: A Case Study on the CICIOMT2024 Dataset},
author = {Mohammed Yacoubi and Omar Moussaoui and C. Drocourt},
journal= {arXiv preprint arXiv:2509.10563},
year = {2025}
}