保障智能医疗安全：基于深度学习的IoMT入侵检测

摘要

随着医疗物联网（IoMT）的指数级增长，医疗系统日益面临多种网络威胁，这些威胁可能危及患者安全、数据隐私和运营完整性。传统安全机制往往难以识别复杂或新型攻击模式。为此，我们提出一种基于深度学习的入侵检测系统（IDS），利用卷积神经网络（CNN）和循环神经网络（RNN）检测IoMT网络流量中的恶意活动。该系统使用模拟真实IoMT环境的CICIoMT2024数据集进行评估，并开展三个层次的分类：二分类（攻击vs正常）、6分类（攻击类别级）和19分类（具体攻击类型）。每个模型均通过准确率、精确率、召回率和F1值等性能指标进行评估。结果表明，CNN在所有分类任务中持续优于RNN，尤其在二分类和类别级分类中表现出更高的准确性与鲁棒性。本研究验证了深度学习模型在增强IoMT网络安全方面的有效性，并为医疗基础设施中部署智能实时IDS解决方案提供了实用框架。