論文の概要: SHIELD: Securing Healthcare IoT with Efficient Machine Learning Techniques for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2511.03661v1
• Date: Wed, 05 Nov 2025 17:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.504714
• Title: SHIELD: Securing Healthcare IoT with Efficient Machine Learning Techniques for Anomaly Detection
• Title（参考訳）: ShiELD: 異常検出のための効率的な機械学習技術による医療用IoTのセキュア化
• Authors: Mahek Desai, Apoorva Rumale, Marjan Asadinia,
• Abstract要約: 本研究では、悪意のあるサイバー攻撃を検出し、異常なデバイス異常を識別するための機械学習駆動フレームワークを提案する。 8つの機械学習モデルが3つの学習アプローチで評価される。 このフレームワークは、データ漏洩の防止、システムダウンタイムの最小化、医療機器の継続的かつ安全な運用を保証する可能性を秘めている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of IoT devices in healthcare introduces significant security and reliability challenges, increasing susceptibility to cyber threats and operational anomalies. This study proposes a machine learning-driven framework for (1) detecting malicious cyberattacks and (2) identifying faulty device anomalies, leveraging a dataset of 200,000 records. Eight machine learning models are evaluated across three learning approaches: supervised learning (XGBoost, K-Nearest Neighbors (K- NN)), semi-supervised learning (Generative Adversarial Networks (GAN), Variational Autoencoders (VAE)), and unsupervised learning (One-Class Support Vector Machine (SVM), Isolation Forest, Graph Neural Networks (GNN), and Long Short-Term Memory (LSTM) Autoencoders). The comprehensive evaluation was conducted across multiple metrics like F1-score, precision, recall, accuracy, ROC-AUC, computational efficiency. XGBoost achieved 99\% accuracy with minimal computational overhead (0.04s) for anomaly detection, while Isolation Forest balanced precision and recall effectively. LSTM Autoencoders underperformed with lower accuracy and higher latency. For attack detection, KNN achieved near-perfect precision, recall, and F1-score with the lowest computational cost (0.05s), followed by VAE at 97% accuracy. GAN showed the highest computational cost with lowest accuracy and ROC-AUC. These findings enhance IoT-enabled healthcare security through effective anomaly detection strategies. By improving early detection of cyber threats and device failures, this framework has the potential to prevent data breaches, minimize system downtime, and ensure the continuous and safe operation of medical devices, ultimately safeguarding patient health and trust in IoT-driven healthcare solutions.
• Abstract（参考訳）: 医療におけるIoTデバイスの統合は、セキュリティと信頼性に大きな課題をもたらし、サイバー脅威や運用上の異常に対する感受性を高めている。 本研究では,(1)悪意のあるサイバー攻撃を検出する機械学習によるフレームワークを提案する。 教師付き学習(XGBoost、K-Nearest Neighbors(K-NN))、半教師付き学習(GAN)、変分オートエンコーダ(VAE)、教師なし学習(ワンクラスサポートベクトルマシン(SVM)、隔離フォレスト、グラフニューラルネットワーク(GNN)、長短短期記憶(LSTM)オートエンコーダ)である。 総合評価は、F1スコア、精度、リコール、精度、ROC-AUC、計算効率などの複数の指標で実施された。 XGBoostは、異常検出のための最小計算オーバーヘッド(0.04秒)で99\%の精度を達成し、分離フォレストは精度とリコールを効果的にバランスさせた。 LSTMオートエンコーダは低い精度と高いレイテンシで性能が低下した。 攻撃検出のために、KNNは最小計算コスト(0.05秒)でほぼ完全精度、リコール、F1スコアを達成した。 GANは計算コストが最も高く、精度は低く、ROC-AUCであった。 これらの知見は、効果的な異常検出戦略を通じて、IoT可能な医療セキュリティを高める。 サイバー脅威やデバイス障害の早期検出を改善することで、このフレームワークは、データ漏洩の防止、システムダウンタイムの最小化、医療機器の継続的かつ安全な運用の確保、最終的には患者の健康とIoT駆動型医療ソリューションに対する信頼の確保といった可能性を秘めている。

関連論文リスト

• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• Securing IoT Communications via Anomaly Traffic Detection: Synergy of Genetic Algorithm and Ensemble Method [0.0]
  モノのインターネットの急速な成長は、コネクテッドデバイス間でシームレスなデータ交換を可能にすることで産業を変革させた。 IoTネットワークは、DoS(DoS)攻撃、異常トラフィック、データ操作など、セキュリティ上の脅威に対して脆弱なままである。 本稿では,3つの主要な位相を持つ高度な異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-21T22:42:05Z)
• Enhanced Intrusion Detection in IIoT Networks: A Lightweight Approach with Autoencoder-Based Feature Learning [0.0]
  侵入検知システム(IDS)は,異常なネットワーク行動や悪質な活動の検出・防止に不可欠である。 本研究は,次元縮小のためのオートエンコーダの活用を含む,IDS性能向上のための6つの革新的なアプローチを実装した。 我々はJetson Nano上で最初にモデルをデプロイし、バイナリ分類では0.185ms、マルチクラス分類では0.187msの推論時間を達成する。
  論文  参考訳（メタデータ） (2025-01-25T16:24:18Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
  提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。 この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。 提案モデルの精度は98.42%,最小損失は0.0275である。
  論文  参考訳（メタデータ） (2024-05-28T22:12:15Z)
• Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
  モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。 既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。 我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
  論文  参考訳（メタデータ） (2023-06-06T14:19:23Z)
• Robustness Testing of Data and Knowledge Driven Anomaly Detection in Cyber-Physical Systems [2.088376060651494]
  本稿では,安全クリティカルCPSにおけるMLに基づく異常検出手法のロバスト性を評価するための予備的結果を提案する。 我々は、ドメイン知識(例えば、安全でないシステムの振る舞い)とMLモデルを統合することによって、精度と透明性を犠牲にすることなく、異常検出の堅牢性を向上させることができるかどうかを仮説として検証する。
  論文  参考訳（メタデータ） (2022-04-20T02:02:56Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Feature Analysis for ML-based IIoT Intrusion Detection [0.0]
  ネットワーク侵入検知システム(NIDS)の実装に強力な機械学習モデルが採用されている。 検出精度と計算効率を最大化するデータ特徴の適切なセットを選択することが重要である。 本稿では,ネットワーク攻撃の重要性と予測力の観点から,最適な特徴セットを広範囲に分析する。
  論文  参考訳（メタデータ） (2021-08-29T02:19:37Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
  本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。 まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。 次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。 第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
  論文  参考訳（メタデータ） (2020-07-19T16:47:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。