机构名称：
¥ 2.0
摘要 - 本研究旨在通过识别漏洞和推荐有效策略来增强起搏器设备的网络安全框架。目标是查明网络安全弱点，利用机器学习预测安全漏洞，并根据分析趋势提出对策。文献综述强调了起搏器技术从基本的固定速率设备向具有无线功能的复杂系统的转变，这在改善患者护理的同时，也带来了重大的网络安全风险。这些风险包括未经授权的进入、数据泄露和危及生命的设备故障。本研究的方法采用定量研究方法，使用 WUSTL-EHMS-2020 数据集，其中包括网络流量特征、患者的生物特征和攻击标签。机器学习预测的分步方法包括数据收集、数据预处理、特征工程和使用支持向量机 (SVM) 和梯度提升机 (GBM) 进行模型训练。实施结果使用准确度、精确度、召回率和 F1 分数等评估指标来表明 GBM 模型优于 SVM 模型。 GBM 模型的准确率高达 95.1%，而 SVM 的准确率仅为 92.5%，精确率高达 99.6%，而 SVM 的准确率仅为 96.7%，召回率高达 94.9%，而 SVM 的召回率仅为 42.7%，F1 得分高达 76.3%，而 SVM 的 F1 得分仅为 59.0%，这使得 GBM 模型在预测网络安全威胁方面更为有效。这项研究的结论是，GBM 是一种有效的机器学习模型，可通过分析网络流量和生物特征数据模式来增强起搏器网络安全。未来改善起搏器网络安全的建议包括实施 GBM 模型进行威胁预测、与现有安全措施集成以及定期更新和再训练模型。
利用机器学习实现医疗设备的网络安全
主要关键词
相关文件推荐
