IoMTヘルスケアWBANsにおけるマルチメトリック異常検知と緩和のためのCNN-BiLSTMベースハイブリッド深層学習
CNN-BiLSTM-Based Hybrid Deep Learning for Multi-Metric Anomaly Detection and Mitigation in Secure IoMT Healthcare WBANs
本研究では、IoMTヘルスケアシステムにおけるサイバー脅威、プライバシー侵害、単一障害点のリスクに対処するため、NodeMCU-32SプラットフォームとBLE 5.0接続を用いたハイブリッドマルチメトリック異常検知(HM-MAD)フレームワークを提案する。このフレームワークは、生理学的信号、システムレベルパラメータ、ネットワークレベル通信メトリックを同時に分析し、リレー攻撃などの複数のサイバー攻撃を確実に特定する。特に、通信遅延を誘発するリレー攻撃に焦点を当て、偽のグルコース値や不適切なインスリン投与につながる可能性のある脅威からデータを保護する。提案されたCNNとBiLSTMのハイブリッドモデルは、タイミング操作、リプレイ攻撃、電源グリッチ、ファームウェア改ざん、センサーなりすましなどの攻撃タイプを分類する。実験評価によると、提案手法は94.6%の検知精度と平均15msの推論遅延を達成し、これはTransformerベースの侵入検知モデル(30ms)と比較して遅延を50%削減し、計算オーバーヘッドを28%削減する。このHM-MADフレームワークは、リソースが制約されたIoMTヘルスケアシステムをサイバー脅威から保護するための効果的かつスケーラブルなソリューションを提供する。
- IoMTヘルスケアシステム向けハイブリッドマルチメトリック異常検知(HM-MAD)フレームワークを提案。CNN-BiLSTMモデルを用い、94.6%の検知精度と平均15msの推論遅延を達成。
- 提案手法はTransformerベースの侵入検知モデル(30ms)と比較して推論遅延を50%削減、計算オーバーヘッドを28%削減。
本研究で提案されたCNN-BiLSTMハイブリッドモデルは、IoMT(医療IoT)向けに94.6%の検知精度と従来比50%の推論遅延削減(15ms)を実現しており、リソース制約の厳しい医療用エッジデバイスでの実用的なセキュリティ強化策として注目に値する。医療機器のサイバーセキュリティ規制強化(FDAのガイダンス更新など)が進む中、軽量で高精度な異常検知フレームワークは差別化要因となり得る。