Optimierung der IoMT-Sicherheit: Leistungskompromisse zwischen dem Architekturdesign von neuronalen Netzwerken, Dimensionsreduktion und Umgang mit Klassenungleichgewicht

Die Verbreitung von Internet of Medical Things (IoMT)-Geräten im Gesundheitswesen erfordert robuste Intrusion Detection Systeme zum Schutz sensibler Daten und zur Gewährleistung der Patientensicherheit. Während bestehende auf neuronalen Netzwerken basierende Intrusion Detection Systeme eine erhebliche Effektivität gezeigt haben, bestehen weiterhin bedeutende Herausforderungen – insbesondere Klassenungleichgewicht und hohe Datendimensionalität. Obwohl verschiedene Ansätze vorgeschlagen wurden, um diese Probleme zu mildern, bleibt ihre tatsächliche Auswirkung auf die Erkennungsgenauigkeit unzureichend erforscht. Diese Studie untersucht fortgeschrittene Architekturen künstlicher neuronaler Netzwerke (ANN) und Preprocessing-Strategien zur Intrusion Detection in IoMT-Umgebungen und behandelt kritische Herausforderungen der Merkmalsdimensionalität und des Klassenungleichgewichts. Mithilfe des WUSTL-EHMS-2020-Datensatzes – einem spezialisierten Datensatz, der speziell für die Forschung zur Cybersicherheit im IoMT entwickelt wurde – untersucht diese Forschung systematisch die Leistung mehrerer neuronaler Netzwerk-Designs. Unsere Forschung implementiert und bewertet fünf unterschiedliche ANN-Architekturen: das Standard-Feedforward-Netzwerk, das Enhanced Channel ANN, Dual-Branch Addition und Concatenation ANNs sowie das Shortcut Connection ANN. Um die Herausforderung des Klassenungleichgewichts zu mildern, vergleichen wir drei Ausgleichsansätze: die Synthetic Minority Over-sampling Technique (SMOTE), Hybrid Over-Under Sampling und die Weighted Cross-Entropy Loss Function. Die Leistungsanalyse offenbart nuancierte Einblicke in verschiedene Architekturen und Ausgleichsstrategien. SMOTE-basierte Modelle erzielten durchschnittliche AUC-Werte zwischen 0,8491 und 0,8766. Hybride Sampling-Strategien verbesserten die Leistung, wobei die AUC auf 0,8750 anstieg. Die gewichtete Kreuzentropie-Verlustfunktion zeigte die konsistenteste Leistung. Die bedeutendste Erkenntnis ergibt sich aus dem Dual-Branch ANN mit Additionselementen und einer gewichteten Verlustfunktion, das eine Genauigkeit von 0,9403, eine AUC von 0,8786, einen F1-Score von 0,8716, eine Präzision von 0,8650 und einen Recall von 0,8786 erreichte. Im Vergleich zur Grundlage der verwandten Arbeiten zeigt es einen erheblichen Anstieg des F1-Scores um 8,45 % und eine Verbesserung von 18,67 % bei AUC und Recall, was die Überlegenheit des Modells bei der Identifizierung potenzieller Sicherheitsbedrohungen und der Minimierung von falsch-negativen Ergebnissen hervorhebt.