A Novel Hybrid Model for High-Accuracy Malware Detection in The Internet of Medical Things (IoMT) Environment.

The Internet of Medical Things (IoMT) has revolutionized modern healthcare by enabling the collection and analysis of real-time data. However, this interconnected ecosystem also introduces significant security risks, particularly malware attacks that compromise patient safety and data privacy. Traditional security measures are often insufficient because of resource constraints and the real-time operational demands of IoMT devices. This research proposes an optimized hybrid machine learning framework that integrates convolutional neural networks (CNN), long short-term memory (LSTM), random forest (RF), and principal component analysis (PCA) to enhance malware detection in IoMT environments. The proposed method includes an adaptive feature selection mechanism, a resource-efficient architecture, and an ensemble learning model with machine learning capabilities. Validation through experimentation using the CIC-MalMem-2022 dataset, which comprises labeled memory dumps from benign and various malware processes, demonstrated that the proposed framework outperformed current hybrid models while reducing computational costs, achieving a detection accuracy of 99.59%. This study presents a scalable and efficient security solution designed to address the constraints of IoMT devices, addressing critical challenges in healthcare cybersecurity. ABSTRAK: Internet Benda Medikal (IoMT) telah merevolusikan penjagaan kesihatan moden dengan membolehkan pengumpulan dan analisis data masa nyata. Walau bagaimanapun, ekosistem saling berkaitan ini juga memperkenalkan risiko keselamatan yang ketara, terutamanya serangan perisian hasad yang menjejaskan keselamatan pesakit dan privasi data. Langkah keselamatan tradisional selalunya tidak mencukupi kerana kekangan sumber dan permintaan operasi masa nyata peranti IoMT. Penyelidikan ini mencadangkan rangka kerja pembelajaran mesin hibrid yang dioptimumkan dengan menyepadu Rangkaian Konvolusi Neural (CNN), Memori Jangka Panjang Pendek (LSTM), Rawak Forest (RF) dan Analisis Komponen Prinsipal (PCA) bagi meningkatkan pengesanan perisian Malware dalam persekitaran IoMT. Kaedah yang dicadangkan ini termasuk mekanisme pemilihan ciri penyesuaian, seni bina cekap sumber dan keupayaan pembelajaran mesin bersama model pembelajaran ansembel. Ujian melalui eksperimen menggunakan dataset CIC-MalMem-2022, yang terdiri dari pelupusan memori berlabel daripada proses tidak merbahaya dan pelbagai Malware, menunjukkan bahawa kajian yang dicadangkan mengatasi model Hibrid semasa, juga menurunkan kos pengiraan, mencapai ketepatan pengesanan 99.59%. Kajian ini menyumbang kepada penyelesaian keselamatan berskala dan cekap yang disesuaikan dengan kekurangan peranti IoMT, menangani cabaran kritikal dalam keselamatan siber penjagaan kesihatan.