SHIELD: 面向医疗 IoT 的高效机器学习安全框架
机器学习
2025-11-06 v1
摘要
将 IoT 设备集成到医疗领域引入了显著的安全和可靠性挑战，增加了对网络威胁和操作异常的易受性。本研究提出一种基于机器学习的框架，用于 (1) 检测恶意网络攻击和 (2) 识别故障设备异常，利用 20 万条记录的数据集。评估了八种机器学习模型，涵盖三种学习方法：监督学习 (XGBoost、K-最近邻 (K- NN))、半监督学习 (生成对抗网络 (GAN)、变分自编码器 (VAE))，以及无监督学习 (单类支持向量机 (SVM)、孤立森林、图神经网络 (GNN)、长短期记忆 (LSTM) 自动编码器)。在多个指标上（如 F1 分数、精确率、召回率、准确率、ROC-AUC、计算效率）进行了全面评估。XGBoost 在异常检测方面达到 99% 的准确率，计算开销最小（0.04 秒），而孤立森林在精确率和召回率之间取得良好平衡。LSTM 自动编码器表现不佳，准确率较低且延迟更高。对于攻击检测，K-NN 在精确率、召回率和 F1 分数方面接近完美，计算成本最低（0.05 秒），其后是 VAE 以 97% 的准确率。GAN 计算成本最高，准确率和 ROC-AUC 最低。这些发现通过有效的异常检测策略提升了 IoT 驱动的医疗安全。通过改进对网络威胁和设备故障的早期检测，该框架有望防止数据泄露、最小化系统停机时间，并确保医疗设备的持续安全运行，从而保障患者健康及其对 IoT 驱动医疗解决方案的信任。
引用
@article{arxiv.2511.03661,
title = {SHIELD: Securing Healthcare IoT with Efficient Machine Learning Techniques for Anomaly Detection},
author = {Mahek Desai and Apoorva Rumale and Marjan Asadinia},
journal= {arXiv preprint arXiv:2511.03661},
year = {2025}
}