IoMT侵入検知のための説明可能な(特徴グループ認識クロスアテンティブエキスパート融合)フレームワーク
Explainable (Feature-Group-Aware Cross-Attentive Expert Fusion for IoMT Intrusion Detection
本論文は、医療IoT(IoMT)におけるサイバー脅威検知のための、説明可能なハイブリッド侵入検知システム(IDS)フレームワークを提案する。このフレームワークは、ネットワークトラフィックの特徴量を意味的に関連するグループに分割し、専門のエキスパートネットワークを用いて相補的なトラフィック表現を学習する。ゲートバランス型Mixture-of-Experts(MoE)ルーティングメカニズムがエキスパートの出力を適応的に集約し、クロスエキスパート自己注意モジュールがエキスパート表現間の文脈依存性を捉える。さらに、SHAP、LIME、エキスパートルーティング分析によるマルチレベルの説明可能性を組み込み、特徴量の寄与と内部の意思決定動作の両方を説明する。提案フレームワークは、CICIoMT2024およびIoMT-TrafficDataの2つのIoMTベンチマークで評価され、6クラス設定で99.76%の精度と0.9951のMCC、19クラス設定で99.07%の精度と0.9892のMCCを達成した。IoMT-TrafficDataでは、9クラス設定で99.92%の精度と0.9988のMCCを達成した。説明可能性の結果は、モデルが意味のあるトラフィック特徴量を特定し、クラス依存のエキスパート専門化を示すことを示している。
- IoMT侵入検知システムにおいて、特徴グループ認識クロスアテンティブエキスパート融合フレームワークを提案し、CICIoMT2024ベンチマークで6クラス設定99.76%精度・MCC 0.9951を達成
- 19クラス設定で99.07%精度・MCC 0.9892を達成
- IoMT-TrafficDataで9クラス設定99.92%精度・MCC 0.9988を達成
本論文は医療IoT(IoMT)におけるサイバー脅威検知の新たなフレームワークを提案する学術研究であり、具体的な製品化や実証実験、企業の発表ではない。高い精度数値(99.76%など)は示されているが、あくまでベンチマークデータセット上の研究段階の成果である。実用化や商用展開の計画、スタートアップの資金調達、既存セキュリティ製品との比較優位性など、投資判断に直結する情報は含まれていない。