基于机器学习的医疗物联网入侵检测方法综述

医疗物联网（IoMT）通过利用传感器采集生理数据并传输至远程服务器供医师及医疗专业人员持续分析，已彻底变革医疗保健行业。该技术带来诸多益处，包括慢性病患者疾病的早期检测与自动给药。然而，IoMT 技术也带来显著安全风险，例如因无线通信侵犯患者隐私或将敏感数据暴露于截获攻击，这可能危及患者生命。此外，由于通信异构性及有限的计算、存储与能量能力，传统安全措施（如密码学）难以在医疗设备中部署。这些防护方法对新型与零日攻击亦无效。必须在数据收集、传输、存储与处理过程中采取稳健安全措施以保障数据完整性、机密性与可用性。在此背景下，采用基于机器学习（ML）的入侵检测系统（IDS）可提供适应 IoMT 系统独有特征的互补安全方案。因此，本文探究基于 ML 的 IDS 如何应对 IoMT 系统中的安全与隐私问题。首先，给出 IoMT 的通用三层架构并概述其安全需求。继而，识别可影响 IoMT 安全的各类威胁，并呈现各基于 ML 的方案在构成 IoMT 的三层上所用的方法、数据集及其优缺点。最后，本文讨论在 IoMT 各层应用基于 ML 的 IDS 所面临的挑战与局限，可作为未来研究方向。