区块链集成的双向长短期记忆网络，用于医疗物联网中的实时入侵检测

Summary

该协议描述了为医疗物联网网络实现区块链集成的双向长短期记忆入侵检测系统，实现实时攻击检测、防篡改取证日志和自动化缓解。

Abstract

医疗物联网（IoMT）环境需要入侵检测系统，不仅能准确识别网络攻击，还具备取证责任、可审计性和快速响应能力。传统的入侵检测方法主要强调分类性能，同时对防篡改事件记录和事件后调查的支持有限。本研究提出了一种法医感知入侵检测框架，将扩展双向长短期记忆（BiLSTM）网络与许可区块链层集成，支持医疗物联网系统中的实时检测、安全日志和自动化缓解。该协议结合了数据预处理、AQU-IMF-RFE 特征选择、时间序列建模、基于注意力的学习、残余连接以及基于区块链的事件记录。扩展BiLSTM模型在UNSW-NB15、CICIDS2017和Bot-IoT基准数据集上独立训练和评估，采用可重复的预处理、分层数据划分和固定随机种子。模型检测到的入侵事件通过智能合约记录在权威证明区块链上，实现不可篡改的日志记录和自动响应操作。实验结果显示，所有评估数据集中入侵检测表现优异，误报率低，同时保持了法医可追溯性和实时响应能力。区块链层提供了防篡改的审计记录和自动化缓解措施，且避免了繁重的计算开销。这些发现表明，基于深度学习的入侵检测与区块链驱动的取证日志相结合，能够提升医疗网络安全系统的可信度、责任性和实用部署性。

Introduction

在医疗系统中，数字化开启了一个智能、互联且以患者为中心的医疗服务新纪元。现代医疗基础设施高度依赖可穿戴传感器、远程患者监测系统、电子健康记录（EHR）^1,2 以及智能诊断平台之间的网络通信和数据交换。然而，这种日益增强的互联互通也扩大了医疗网络的攻击面，使其暴露于数据泄露、勒索软件、分布式拒绝服务（DDoS）攻击以及中间人攻击等网络^{威胁之下。}这些入侵导致巨大的经济损失，更重要的是，当敏感医疗数据或关键设备功能被泄露时，可能危及患者安全。

医疗物联网（IoT）系统的规模和复杂性进一步加剧了这些安全挑战。现代医疗网络必须同时提供低延迟通信、高可靠性和稳健的安全保障，这些要求传统安全机制常常难以满足⁴.IoMT流量的快速增长，表现为数据源异构、动态通信模式以及《健康保险携带与责任法案》（HIPAA）和《通用数据保护条例》（GDPR）等严格监管要求，因此需要能够实现高检测率同时减少误报的智能入侵检测系统（IDS^）5。

在受监管的医疗环境中，入侵检测不仅是操作要求，更是问责职能。安全警报可能触发设备隔离，影响护理连续性，并可能成为审计、监管审查或法律调查的对象。因此，一个有效的IoMT识别系统必须提供准确的实时检测、支持事件分诊的可解释决策，以及确保不可篡改和法^医可追溯性的记录。这一要求将入侵检测的目标从以性能为中心的分类转向以信任为中心、以问责为驱动的安全治理。

深度学习技术，特别是长短期记忆（LSTM）和双向长短期记忆（BiLSTM）网络，已展现出在建模网络流量中时间依赖性和检测异常行为方面的强大能力⁷。然而，现有基于BiLSTM的IDS常常存在过拟合、对关键时间事件关注不足以及在异构IoMT设备和医疗环境中的泛化有限。此外，IoMT网络还面临多种网络威胁，影响医疗数据和服务的机密性、完整性和可用性（CIA），如 表1所述。

攻击类型	IoMT背景	中央情报局维度受影响	对医疗系统的影响
未经授权访问19	利用弱认证机制访问患者设备或医疗记录	保密性，诚信	数据泄露与医疗设备的未经授权控制
恶搞/模仿19	恶意设备模仿合法的IoMT节点	完整性	误判可能导致误诊或不安全的治疗
偷听21	传输过程中拦截未加密的医疗数据	保密	隐私泄露和敏感患者信息的泄露
数据篡改 / 固件漏洞19	设备固件修改或传输的医疗数据	完整性	错误诊断或不当的治疗决策
勒索软件20	患者数据或医疗设备固件的加密	可用性与完整性	关键系统的停工与治疗延误
拒绝服务（DoS）/分布式拒绝服务（DDoS）6	医疗设备或医疗网络过载	可获得性	服务中断影响监测系统和重症监护室（ICU）运营
侧通道攻击22	通过定时或功率分析技术提取密码密钥	保密	设备泄露与密码密钥盗窃

表1：影响医疗物联网医疗环境的常见网络攻击。 下表总结了针对医疗物联网（IoT）系统、其运营背景、受影响的机密性、完整性与可用性（CIA）安全维度，以及其对医疗服务、患者安全和医疗设备操作的潜在影响。

区块链技术在IoMT环境中提供了多项优势，可以补充入侵检测。如 表2所述，区块链支持不可篡改的事件记录以进行取证验证，通过智能合约实现自动化缓解，通过去中心化操作消除单点故障，并通过维护可追溯的审计轨迹支持遵守医疗数据保护法规。尽管有这些优势，基于区块链的安全机制在医疗IDS中仍然未被充分利用。

特色	描述	医疗背景下的益处
数据完整性	每笔交易都经过加密哈希并与上一个区块关联	确保患者和设备记录的不可篡改性
夯实检测	对存储数据的任何修改都会改变块哈希，使链无效	能够快速检测未经授权的记录修改
访问控制	智能合约强制执行预定义的权限和授权策略	限制授权用户和设备访问敏感医疗信息
数据来源	每场活动均经过数字签名和时间戳	支持法医可追溯性、审计和合规
低延迟共识	权威证明（PoA）共识机制使交易验证快速且计算开销低于工作量证明	支持关键医疗环境中的近实时事件记录

表2：区块链技术在医疗物联网入侵检测系统的优势。 下表总结了医疗物联网（IoMT）环境中区块链的关键特性及其相关优势。所列功能支持不可变日志、篡改检测、访问控制、数据来源确认以及低延迟共识机制，这些机制是安全且可审计的入侵检测所必需的。

除了性能评估外，区块链集成还为物联网环境中的多种安全威胁提供保护。 表3 总结了区块链在此背景下的优势与局限性，突出了有效缓解的威胁，如数据篡改和拒绝，以及需要额外防护的威胁。区块链层支持适合实时医疗环境的低延迟日志，对故障或恶意节点的复杂韧性，以及分布式医院网络和物联网设备间的可扩展性。

安全威胁	区块链来应对？	机制	注释
数据篡改27	是的	加密哈希链接	任何修改都会使链完整性失效
拒绝26	是的	每个区块关联的数字签名	防止对记录到的入侵事件的拒绝
集中式失败25	是的	分布式账本通过授权网关维护	消除单点故障
西比尔攻击24	部分	授权协议共识，要求可信验证者	可以通过基于身份的验证者授权来缓解
51% 攻击23	部分	需要大多数授权验证者进行妥协	在私有授权授权区块链部署中，这种情况较少发生
数据来源26	是的	有时间戳和数字签名的活动记录	支持法医可追溯性和合规性

表3：通过区块链整合在医疗物联网环境中解决的安全威胁。 本表总结了与医疗物联网（IoMT）系统相关的主要安全威胁，并指出区块链技术在缓解各威胁方面的程度。针对每个威胁类别，提供了底层保护机制和实施考虑。

大多数现有的IDS依赖预定义规则或轻量级^{机器学习模型8,9}。尽管这些方法能够识别已知的攻击模式，但它们往往难以应对现代网络威胁的动态和演变特性。它们尤其不足以保障快速发展的基于IoMT的医疗基础设施安全，因为误报、有限的适应性和糟糕的审计性会显著影响运营效率。基于规则的系统常常产生较高的误报率，因为它们无法可靠地区分良性异常与真实攻击^9.传统机器学习模型在静态或过时数据集上训练，以及现有基于深度学习的入侵检测方法，常常无法推广新兴攻击行为，包括零日入侵^10,11。此外，传统的集中式记录方法仍易被篡改，从而限制了事件后法医调查的可靠性¹².许多现有的IDS解决方案还带来了较大的计算开销，使其难以在资源受限的IoMT设备和网关上部署。因此，医疗物联网环境仍然容易受到复杂多阶段的网络攻击。应对这些挑战需要一个智能、安全且资源高效的入侵检测框架，能够实时学习时间流量模式，同时确保取证可信度和自动缓解已检测到的威胁。

尽管机器学习和基于深度学习的入侵检测取得了重大进展，但仍存在若干关键空白。首先，许多现有的IDS模型是基于静态数据集开发和评估的，因此缺乏对不断演变的攻击行为的适应能力。其次，尽管先进的深度学习架构可以提高检测准确率，但它们往往仅提供有限的可解释性，且未能优先处理临床上重要的流量模式。第三，也是最重要的，当前的IDS框架通常不提供对法医可信度、可审计性或不可篡改记录保存的内在支持，而这些能力对于合规、事件调查和医疗系统中的法律问责至关重要。

虽然基于区块链的日志机制提供了数据完整性和透明度，但在延迟敏感的物联网环境中，它们很少与先进的基于深度学习的入侵检测模型紧密集成。现有研究通常侧重于提升检测性能而不涉及取证完整性，或专注于基于区块链的安全机制而不涉及先进的时间异常检测。因此，在开发能够同时实现实时时空入侵检测、防篡改法医记录、自动化缓解以及在异构且资源有限的医疗物联网环境中实际部署的统一框架方面，仍存在重大空白。

针对这些挑战，本研究旨在开发一种入侵检测框架，通过注意力机制和定制层增强BiLSTM网络，提升时间特征优先级，整合区块链技术实现安全且可验证的入侵日志和自动响应，并在实时医疗物联网环境中高效运行。我们假设将注意力增强的扩展BiLSTM架构与基于区块链的取证日志和自动化缓解机制相结合，将提升入侵检测的有效性，同时提供受监管医疗环境中所需的可审计性、可信赖性和问责性。

本研究通过将入侵检测视为法医问责问题，而不仅仅是分类问题，解决了IoMT安全研究中的一个根本空白。该框架将人工智能（AI）驱动的检测、不可篡改的事件记录和自动响应机制整合为一个统一架构，支持临床安全、合规法规和运营信任。IoMT设备和云连接医疗基础设施的日益普及，使医疗网络成为网络攻击的诱人目标，包括勒索软件、数据篡改、未经授权的访问以及威胁患者信息的机密性、完整性和可用性的拒绝服务攻击。拟议的扩展BiLSTM–区块链框架建立了闭环安全流程，将攻击检测直接连接至取证验证和自动化缓解。

本研究的主要贡献有五方面。首先，通过扩展传统BiLSTM架构，结合双向时间学习、残余连接、注意力机制和自定义层，开发出临床对齐的时间入侵检测模型，以提升对医疗网络流量中复杂攻击模式的检测能力。其次，基于区块链的轻量级安全层与扩展BiLSTM模型集成，提供不可篡改、安全且防篡改的入侵事件和系统操作记录。第三，为医疗环境开发了端到端实时IDS流水线，实现低延迟和高准确率的实时流量分析和入侵预测。第四，所提框架通过三个公开基准数据集——UNSW-NB15、CICIDS2017和Bot-IoT——进行全面评估。最后，该架构设计为一个可扩展且可扩展的边缘云框架，适合在医疗网络、医疗基础设施和电子健康应用中实际部署。

通过结合扩展BiLSTM网络的时间学习能力与区块链技术所提供的信任和不可篡改性，所提框架提供了一个安全且值得信赖的IDS，能够满足医疗环境不断变化的网络安全需求。该框架弥合了医疗网络安全的关键空白，并为人工智能和区块链集成在保护关键医疗基础设施中的更广泛应用奠定了基础。

Protocol

所有实验均仅使用公开的基准网络入侵数据集（UNSW-NB15、CIC-IDS-2017 和 Bot-IoT），这些数据集包含无可识别个人或医疗信息的网络流量记录。这些数据集均按照各自的许可协议和使用条款进行使用。由于未涉及人类参与者、患者样本或可识别个人数据，因此无需机构伦理审批和知情同意。

拟议框架概述
本节介绍了用于保护IoMT环境的双层入侵检测与防御框架。该框架集成了用于时空入侵检测的扩展BiLSTM网络，与轻量级区块链层实现防篡改记录和自动化缓解。与仅关注检测准确性的传统IDS方法不同，该架构设计同时支持实时检测、法医问责和合规，这些都是医疗系统中不可或缺的必要需求。所提扩展BiLSTM–区块链入侵检测框架的整体工作流程和架构如 图1所示。

图1。拟议的扩展BiLSTM–区块链入侵检测框架架构，用于医疗物联网网络。 拟议框架的示意图，展示了培训和部署的工作流程。在训练流程中，医疗物联网（IoMT）设备生成网络流量，经过数据预处理和特征工程，随后通过带有时间关注的扩展双向长短期记忆（BiLSTM）模型进行分析。模型参数通过损失函数计算和迭代训练进行优化。在部署工作流中，训练好的模型根据方程13定义的决策函数执行入侵检测。检测到的入侵事件会被转发到区块链模块，在那里执行不可变的日志记录、节点隔离和管理员警报生成。BiLSTM，双向长短期记忆;IoMT，医疗物联网。 请点击此处查看该图的放大版本。

IoMT设备生成由网络流量、设备元数据和患者相关信号组成的异构数据流。这类原始输入通常噪声大、冗余且不一致，不适合直接进行模型训练。因此，会应用预处理流水线以确保数据的质量和结构，然后再输入扩展BiLSTM模型。详细的预处理伪代码在 算法1 （补充文件1）中提供了，该算法概述了在扩展BiLSTM训练前应用于IoMT数据流的预处理流水线（伪代码见 补充文件1;实现在 补充文件2）。完整的扩展BiLSTM架构在 算法2（补充文件1）中有总结。

端到端复制工作流程
完整的研究内容可通过以下步骤复现。软件和硬件列于实验装置中，补充代码涵盖每一步。

下载 数据集→下载UNSW-NB15。使用 文件UNSW_NB15_training-set.csv 和 UNSW_NB15_testing-set.csv。下载CICIDS2017。使用五个 MachineLearningCSV 日文件（周一至周五）。下载Bot-IoT。使用5%子集文件 UNSW_2018_IoT_Botnet_Full5pc_1_to_4。早期入侵检测研究通常依赖基准数据集，如KDD Cup 99¹⁴;然而，本研究使用了较新的UNSW-NB15、CICIDS2017和Bot-IoT数据集，更好地代表了当代网络流量。分别处理每个数据集。UNSW-NB15数据集可从新南威尔士大学 at https://research.unsw.edu.au/projects/unsw-nb15-dataset 获取（最后修改日期：2024年2月8日）。CICIDS2017数据集可从加拿大网络安全研究所 https://www.unb.ca/cic/datasets/ids-2017.html 获取（发布时间：2017年7月）。Bot-IoT数据集由新南威尔士大学 https://research.unsw.edu.au/projects/bot-iot-dataset 分校提供（最后修改日期：2024年2月5日）。本研究所有数据集均于2025年5月访问。

预处理数据→删除损坏的记录。使用训练集均值填充缺失值。施加EMA去噪（α = 0.3）。使用训练集统计将特征归一化为[0,1]。标签编码类别字段。构建滑动窗口（T = 20，步幅 = 1）。这些预处理步骤通过减少噪声并提升基于机器学习的^IDS15,16网络流量表示质量，支持了稳健的入侵检测。

选择特征（AQU-IMF-RFE） →通过互信息排序特征。用Aquila优化器进行精炼。应用随机森林RFE并进行10折交叉验证。保留最终特征。这种混合特征选择策略遵循了结合互补入侵检测技术的更广泛概念¹⁷ ，并利用我们之前研究中开发的AQU-IMF-RFE框架实现¹⁸。

训练模型 →对于每个数据集，数据被随机划分为训练组（80%）和测试组（20%），使用固定随机种子42。训练分区的20%进一步保留为验证集。构建扩展的BiLSTM。使用加权二元交叉熵损失和Adam优化器训练（学习率=0.001，批次大小=64，最大50个历元，提前停止）。保存训练好的模型。使用时序深度学习模型非常适合异构IoMT流量¹⁹。完整的模型训练工作流程总结于算法3（补充文件1）。最终的类权重是根据方程19和20从训练集的类别分布自动计算出来的。最终的班级权重如下：UNSW-NB15：， ;CICIDS2017：， ; 以及机器人物联网（5% 子集）：， 。Bot-IoT数据集中w _n值较大，反映了5%子集训练分区中良性样本严重不足。

部署区块链 ，→启动权威证明（PoA）链。部署智能合约并记录其地址。授权网关账户。运行客户端时，每次检测到的入侵都会被记录并触发隔离和警报。完整的检测、区块链日志和缓解工作流程总结于 算法4 （补充文件1）。区块链层通过go-ethereum（Geth）客户端1.13.15版本实现，用于运行授权的PoA网络，Solidity编译器（solc）0.8.19版本用于智能合约编译和部署，web3.py 库6.15.1用于IDS与区块链网络之间的通信。

评估 →在保留的测试集上测试模型。计算准确率、精度、召回率、F1分数和假阳性率。记录延迟和吞吐量。验证区块链账本的完整性。完整的评估工作流程总结见 算法5 （补充文件1）。检测潜伏期（T_d）从模型推断调用前立即测量到预测概率返回的时间。从同一起点到相应区块链块创建交易完成，测量了端到端的缓解延迟（T_d + T_b）。吞吐量计算为通过完整检测与记录流程处理的预处理测试窗口总数除以单次完整遍历每个数据集测试集所需的墙时钟时间。工作负载由窗口测试分区组成，同时保留了原始的良性入侵类分布。恶意窗口还承担了区块链日志开销，而无害窗口仅承担入侵检测费用。

生成图表 →绘制准确率与损失曲线、混淆矩阵及比较评估图表。制作对比表。完整的图表和表格生成工作流程总结于 算法6 （补充文件1）。用于生成所有图表的完整定制源代码在 补充文件2中提供了。特别是，figures.py 脚本直接从保存的实验输出（如训练历史和混淆矩阵文件）中重现手稿数据，而其余脚本则生成用于构建报告表的处理数据和性能指标。

图2 是IDS与区块链模块之间的实现层级数据流。扩展BiLSTM产生每个窗口的决策（方程13）;在恶意分类中，网关客户端构建并签署交易，并通过web3/JSON-RPC提交给PoA智能合约，PoA会将一个哈希链接块（方程14）附加到不可变账本上，并发出事件（BlockCreated、NodeIsolated和AdminAlert）触发节点隔离和管理员警报。

图2。入侵检测与区块链模块之间的实现级交互。 工作流图展示了入侵检测系统与区块链组件之间的通信。扩展BiLSTM模型对每个输入窗口进行分类，并应用方程13中定义的决策规则。当检测到入侵时，网关客户端生成并签署交易，通过 Web3.py/JSON-RPC 传输到授权证明（PoA）智能合约。该契约根据方程14向不可变账本附加一个哈希链接块，并发出BlockCreated、NodeIsolated和AdminAlert事件，触发包含和通知动作。入侵检测系统（IDS）;BiLSTM，双向长短期记忆;授权书，权威证明;JSON-RPC，JavaScript对象表示法–远程过程调用。 请点击此处查看该图的放大版本。

数据表示
我们把R视为原始的IoMT流量流。预处理后，每个原始记录 被映射为归一化的d维特征向量（方程1）：

(1)

这里， f （⋅）是将原始记录映射为 d维归一化特征向量的特征变换函数。设IoMT网络由一组节点组成（方程2）：

N = {n₁ ， n₂， ... ， n_k} （2）

每个节点 _{n j} ∈R 生成一个时间序列数据流（方程 3）：

(3)

这里， x_t 是时间 t 处的特征向量，d个特征（例如数据包大小、协议类型、源/目的地址）在物联网医疗网络流量¹⁹中常见。对应的标签集为（方程4）：

  （4）

这里， y_t=0 表示正常交通， y_t =1 表示入侵。

数据预处理
预处理流水线包括以下步骤，以解决与 IoMT 流量²⁰ 相关的常见数据质量和安全挑战：

数据清理与缺失值处理：
如果记录满足以下显式条件之一，则在填补前被识别为损坏并被删除：（i） 记录中所有特征字段缺失（即整个记录为空），或 （ii） 记录在类型强制后任意数值中包含非有限值（正值或负无穷大）。第二条规则去除了无效的条目，例如在流特征计算中由零除法产生的条目（例如零持续时间流产生的无限流量值）。删除损坏记录后，剩余缺失值通过每个特征、每个数据集且仅从训练分区计算的平均值替换进行补值;所得手段被应用于训练、验证和测试集，以防止信息泄露。补缺非类别条件化，均值未跨数据集合并。

时间去噪：
时间去噪使用沿时间轴应用的每特征指数移动平均（EMA）滤波器完成。递归（因果）形式 y_t = α·x_t + （1 − α）·y_t−1 ，平滑因子α = 0.3，通过 pandas ewm 函数实现，adjust=False。每个特征都独立进行平滑处理。作为指数（无限冲激响应）滤波器，EMA没有固定的窗口或核大小;平滑因子α是控制平滑程度和滤波器有效记忆的单一参数。

最小-最大归一化：
采用最小-最大归一化，利用变换x′=（x−min）/（max−min+ε）将每个特征缩放到[0,1]范围，其中ε = 1 × 10⁻⁸。最小和最大统计量是根据每个特征、每个数据集计算的，仅从训练分区计算;这些存储的训练统计数据随后被应用以规范训练、验证和测试集，防止未被保留的信息泄漏。在推断过程中，超出训练范围的特征值被裁剪到[0,1]区间。

范畴特征编码：
类别特征通过标签编码转换为数字形式。该方法应用于所有类别变量：在UNSW-NB¹⁵中，原始、服务和状态字段;在机器人物联网（Bot-IoT）中，原始领域;CICIDS2017 在所选特征中不包含任何类别字段。编码通过每个变量拟合 LabelEncoder 实现。

时间窗口用于顺序学习：
预处理的特征流被分割成固定长度序列，使用长度为T = 20个时间步、步幅为s=1的滑动窗口。每个生成的窗口在纳入前都经过验证。只有当窗口恰好包含连续20个时间步且所有特征值均为有限时，才被接受。短于T = 20条记录的流则不产生窗口。该配置（T = 20，s = 1,95%重叠）在所有实验和数据集中保持一致应用。完整的预处理工作流程总结在 算法1（补充文件1）中。

预处理的目标是实现从输入序列到入侵标签的预测映射（方程5）。

(5)

参数为θ，预测事件是良性还是恶意。

使用AQU-IMF-RFE进行特征选择
特征选择采用了 AQU-IMF-RFE 进行，这是一种混合方法，集成了互信息（MI）、Aquila 优化器（AO）和递归特征消除（RFE），该方法在我们之前的¹⁸项工作中引入。该方法分为三个阶段。在第一阶段，计算每个特征与类别标签之间的互信息，以获得初始的相关性排名。在第二阶段，Aquila 优化器使用其四种优化策略对候选特征子集进行全局搜索。第三阶段，精炼后的子集通过递归特征消除，使用随机森林（RF）估计器进行10重交叉验证。

Aquila 优化器的配置为人口规模为100，最多迭代10次，利用因子为0.1，学习率为0.1，吸引因子为0.005。独立应用于每个数据集时，AQU-IMF-RFE 保留了 UNSW-NB15 的 14 个特征，CICIDS2017 保留了 24 个特征，Bot-IoT 保留了 12 个特征。完整的伪代码见 补充文件1，所选特征子集列于 表4。

表4A。保留为UNSW-NB15的部分特征
S。不。	特色	类型	类别
1	dur	数值（浮点）	基础
2	SBYTES	数值（整数）	基础
3	费率	数值（浮点）	基础
4	dLOAD	数值（浮点）	基础
5	SIPKT	数值（浮点）	时间
6	DIPKT	数值（浮点）	时间
7	SJIT	数值（浮点）	时间
8	TCPRTT	数值（浮点）	时间
9	Synack	数值（浮点）	时间
10	阿克达特	数值（浮点）	时间
11	斯米恩	数值（整数）	内容
12	ct_srv_src	数值（整数）	连接
13	ct_dst_src_ltm	数值（整数）	连接
14	ct_srv_dst	数值（整数）	连接
表4B。保留CICIDS2017的部分特征
S。不。	特色
1	目的地港口
2	流量持续时间
3	前向数据包的总长度
4	反向数据包总长度
5	前向数据包最大长度
6	反向数据包最大长度
7	后向数据包长度平均值
8	流包
9	流量间到达时间最大值
10	前进到达时间总计
11	前置头部长度
12	反向头部长度
13	每秒转发数据包
14	最大数据包长度
15	数据包长度平均值
16	数据包长度标准差
17	数据包长度方差
18	平均数据包大小
19	平均后向段大小
20	子流前向字节
21	子流反向字节
22	初始窗口字节转发
23	初始窗口字节反向
24	前向数据包长度平均值
表4C. 保留的机器人物联网功能
S。不。	特色	类型
1	后续序列	数值
2	意思	数值
3	STDDEV	数值
4	明	数值
5	马克斯	数值
6	斯雷特	数值（浮点）
7	德拉特	数值（浮点）
8	N_IN_Conn_P_SrcIP	数值（整数）
9	N_IN_Conn_P_DstIP	数值（整数）
10	原始	分类（编码）
11	state_number	数值（整数）
12	费率	数值（浮点）

表4：通过AQU-IMF-RFE特征选择方法选中的特征。 下表列出了由 AQU-IMF-RFE 特征选择框架为 UNSW-NB15、CICIDS2017 和 Bot-IoT 数据集选定的最终特征子集。在适用时，会提供特征名称、数据类型和功能类别。

实验装置
所有实验均在一台配备英特尔 Xeon Silver 4214 处理器的戴尔 PowerEdge R740 服务器上进行，该处理器运行于基频 2.20 GHz，拥有 12 个物理核心、24 个逻辑线程、16.5 MB 缓存，以及 Intel Ultra Path 互连（UPI）速度为 9.6 GT/s。该服务器配置为128GB内存，512GB固态硬盘（SSD），运行于Microsoft Windows 11系统。软件栈包括 Python 3.12.7、TensorFlow 2.16.1、scikit-learn 1.8.0、pandas 3.0.2 和 NumPy 2.4.4。区块链层在同一工作站上通过PoA以太坊网络实现。IDS与区块链之间的通信通过JSON-RPC完成，使用go-ethereum（Geth）客户端版本1.13.15，Solidity编译器（solc）0.8.19版本用于智能合约编译和部署，Web3.py 库版本6.15.1。在该硬件和软件配置上，报告的训练时间、推理延迟和吞吐量均被测量。

模型架构与培训
扩展BiLSTM模型构成了该框架的核心检测组件，建立在之前为IoMT环境²¹开发的基于学习的入侵检测方法之上。早期的入侵检测研究强调了在检测性能与误报减少之间取得平衡^{的重要性，以及} 将机器学习方法应用于不断演变的^{网络流量时}的独特挑战。协作神经网络入侵检测架构进一步展示了深度顺序特征学习对复杂^{网络流量的}价值。虽然标准BiLSTM模型捕捉双向时间依赖，但IoMT流量既表现出短期突发模式，也存在由多阶段攻击引起的长距离依赖。为此，所提模型通过时间特征提取、增强的双向时间学习、残余连接以及基于注意力的时间优先级来扩展BiLSTM。双向LSTM（BiLSTM）通过结合前向和后向隐藏状态克服了这一限制，使IoMT流量模式能够实现更丰富的时间表示，如 算法2 （补充文件1）所示。

设输入序列为 X^（n_j） = {x₁ ， x₂ ， ... ， x_T }， 其中每个 x_t ∈ R^d 是一个预处理的特征向量。

时间特征提取：
在时间维度上应用轻量级一维卷积，以强调短程时间异常（方程6）：

U = φ （Conv1D（^X（n_j））， U = {u₁， u₂， ...， u_T } （6）

这里，φ（⋅）是一个非线性激活函数，卷积特征_ut被输入BiLSTM。

Conv1D层在双向序列建模前提取短程时间模式。完整的实现参数见 补充文件3B。

堆叠双向LSTM学习：
正向和后向隐藏态的计算方式为（方程7）：

(7)

最终的BiLSTM表示是过去（正向）和未来（向后）隐藏状态的连接（方程8）。

(8)

两层叠加的BiLSTM模拟双向时间依赖关系。详细的架构参数见 补充文件3B。权重初始化细节见 补充文件3B。

残差连接与归一化
线性投影到匹配尺寸后，应用残差连接和层归一化（方程9）：

残差投影和层归一化在关注前对齐卷积和BiLSTM特征表示。详细的实现参数见 补充文件3B。

注意力机制
尽管BiLSTM提供了强大的时间建模，但并非所有时间步对预测贡献均等。为了强调关键时间戳（例如突然异常峰值），引入了注意力机制。每个隐藏状态都会被赋予一个相关性分数α t，以提升检测准确性（方程10）。

这里， W_a 是一个可训练参数，注意力权重满足

上下文向量 c 根据学习的重要性汇总隐藏态（方程11）：

注意力机制将时间表征聚合为上下文向量。详细的实现参数见 补充文件3B。

输出层与分类
聚合后的上下文向量先通过全连通层，随后进行S形激活，得到最终预测（方程12）：

这里， W_c 和 b_c 是可训练参数， σ（·） 是将输出映射到区间 [0,1] 的 Sigmoid 激活函数。应用阈值来区分流量为良性（）或侵入性（）。

丢弃正则化和推断过程中使用的固定分类阈值见 补充文件3B。

扩展BiLSTM架构在三个数据集中完全相同;仅输入特征维度不同，UNSW-NB15、CICIDS2017和机器人物联网分别取值为14、24和12。由于Conv1D层将任意维输入映射到固定的64通道表示，所有后续层均独立于数据集，只有输入形状和Conv1D参数计数随 变化。完整的层层架构总结于 表5，参数计数以d表示;得到的总数分别为184,641、186,561和184,257个可训练参数，适用于 D = 14、D = 24和 D = 12。

S。不。	层（类型）	输出形状	可训练参数	激活函数
1	输入	（20，d）	0	—
2	Conv1D（64个滤波器，核大小=3，填充相同）	(20, 64)	192d + 64	ReLU
3	双向LSTM第1层（每方向64单元）	(20, 128)	66,048	TANH / 乙状结肠
4	双向LSTM第2层（每方向64单元）	(20, 128)	98,816	TANH / 乙状结肠
5	稠密残差投影	(20, 128)	8,320	线性
6	残差加法	(20, 128)	0	—
7	层归一化（轴 = −1，ε = 1 × 10⁻³）	(20, 128)	256	—
8	时间注意力（Wa a ∈ R¹²⁸×¹）	128	128	Softmax
9	致密隐藏层	64	8,256	ReLU
10	脱落率 （p = 0.3）	64	0	—
11	密集输出层	1	65	乙状结肠

表5：扩展双向长短期记忆模型的逐层架构。 本表总结了所提出的扩展双向长短期记忆（BiLSTM）模型的架构，包括层类型、输出维度、可训练参数计数和激活函数。

所有实验所用的软件和计算环境总结于 表6。

组成部分	版本 / 规范
操作系统	窗户
服务器平台	戴尔PowerEdge
中央处理器	64核处理器
内存	128 GB
存储	512GB SSD
蟒蛇	3.12.7
数字派	2.4.4
熊猫	3.0.2
Scikit-Learn	1.8.0
张量流 / Keras	2.16.1
Web3（区块链客户端）	6.15.1
以太坊账户	0.1
Solidity 编译器（solc）	0.8.19
以太坊（Geth）	1.13.15

表6：用于实现和评估所提框架的软件和计算环境。 本表总结了用于数据预处理、功能选择、模型训练、区块链部署和性能评估的硬件规格、软件组件、区块链工具及版本号。

入侵决策与自动响应
医疗环境中的入侵检测只有在紧接快速响应和缓解措施时才有效。入侵检测层将预测概率转化为决策。形式上，时间步 t 的入侵决策表示如下（方程13）：

这里， 是时间 t 的预测入侵概率， 是分类阈值。

一旦检测到入侵，入侵检测层会直接与区块链模块接口，后者执行不可变日志、自动化缓解和闭环安全执行。事件详情，包括源信息、目的地信息和选定的流量特征，都会被记录在新的区块链块中。智能合约执行实时缓解措施，如节点隔离和管理员提醒。这种闭环架构允许入侵检测结果直接反馈到预防机制中，从而最大限度地减少缓解延迟。因此，入侵检测层作为扩展BiLSTM模型的时序检测与区块链技术安全响应之间的桥梁，完成了所提框架的端到端功能。

基于区块链的取证日志
虽然扩展BiLSTM模型支持实时入侵检测，但在IoMT医疗环境中，安全存储和可验证的入侵事件审计同样至关重要。传统的集中式日志机制容易被篡改，且会影响法医可追溯性。为解决这一限制，拟议框架包含了一个轻量级区块链模块，确保不可篡改性、去中心化以及基于智能合约的自动响应。

每检测到一次入侵事件，都会生成一个区块，添加到区块链中。块 _{B i} 定义如下（方程 14）：

这里， H_i 是事件数据、时间戳和预测结果的密码学哈希， T_i 是时间戳， D_i 包含选定的入侵事件特征， Si_gi 是数字签名， PrevHash 将块与上一个块连接，确保不变性。

这种设计保证了防篡改，因为对 D_i 或 T_i 的任何修改都会改变块哈希并破坏链完整性。它还提供了可审计性，因为所有检测到的异常都会被永久存储并可验证。自动化缓解通过智能合约支持，执行预定义的操作，如节点隔离和管理员提醒。去中心化通过多个IoMT网关维护分布式账本实现，从而消除单点故障。

区块生成使用Keccak-256密码学哈希函数，这是以太坊/Solidity环境的原生哈希原语（通过Solidity的keccak256调用）。对于每个入侵块，块哈希值计算如下：

这里， D_i 是事件特征摘要， T_i 是时间戳， PrevHash 是前一个块的哈希。这些字段在哈希前通过 Solidity 的紧密编码（abi.encodePacked）串接，生成 256 位摘要。

链验证程序也采用相同的 Keccak-256 计算方法，从每个块的存储字段重新计算哈希值，并确认其与记录值相符，从而验证链完整性。Keccak-256之所以被选中，是因为它是以太坊智能合约中原生使用的抗碰撞哈希算法。该智能合约在 Solidity 中开发，并使用 Solidity 编译器（solc）0.8.19 版本编译。它部署在一个私有以太坊权威证明（PoA）网络上，运行于 Geth 1.13.15 版本。区块链网络配置了四个验证节点，采用Clique Proof-of-Authority共识协议，链ID为9848，区块周期为5秒，区块气体限额为30,000,000。扩展BiLSTM入侵检测引擎与区块链层之间的通信通过 Web3.py 库6.15.1版本通过HTTP JSON-RPC接口实现。

授权书共识机制
由于医疗物联网系统对延迟高度敏感，所提框架采用了PoA共识机制，而非计算负担高的工作量证明（PoW）²³。在《授权之路》中，一组固定的可信验证节点（如医院网关）授权交易，既提供效率又增强了韧性。

PoW下块验证的时间复杂度可表示为（方程15）：

这里， d 代表采矿难度。

相比之下，PoA共识的时间复杂度如下（方程16）：

因为验证只需授权验证节点进行数字签名验证。

因此，PoA提供了适合实时医疗警报的低延迟运行，通过避免计算密集型挖矿实现了能效，并对有限数量的恶意验证者具备了韧性。PoA网络配置了四个验证节点，这一配置在整个实验中保持一致，以确保延迟测量一致、性能评估可重复性以及所有基准数据集间的公平比较。

区块链实施与智能合约运营
区块链组件是在一个基于PoA共识模型²⁴运行的许可以太坊网络上实现的。该网络使用go-ethereum（Geth）客户端运行，采用Clique PoA共识协议²⁵，其中一组授权验证者（sealer）节点负责生成和验证区块。入侵日志智能合约（IoMTIntrusionLedger）由Solidity编写并部署到该网络，采用基于区块链的物联网安全架构，实现安全的去中心化事件管理²⁶。只有通过合同访问控制功能授权的链上网关账户被允许提交入侵记录，这与^{物联网应用的}许可区块链智能合约架构一致。区块链层采用了go-ethereum（Geth）客户端1.13.15版本来运行授权授权的PoA网络，Solidity编译器（solc）0.8.19用于智能合约编译和部署，Web3.py 库6.15.1用于IDS与区块链网络之间的通信。

详细的区块链部署和配置参数见 补充文件3C。

每个入侵记录在提交账本前都经过数字签名，支持基于区块链的医疗审计和安全的取证^{记录保存。}数字签名生成和验证程序，包括在secp256k1曲线^29,30上的ECDSA，详见补充文件3D。每个网关都持有一对以太坊密钥，由一个256位（32字节）私钥和相应的公钥组成，公钥的账户地址即来源于公钥;密钥生成遵循以太坊标准流程，使用加密学安全的随机256位私钥，公钥通过secp256k1标量乘法获得。创建签名时，网关客户端计算事件特征摘要D_i，并使用EIP-191消息签名格式用私钥签名，生成包含r、s和v组件的65字节签名。签名会与入侵记录一起提交。验证由智能合约在链上执行：通过EVM ecrecover预编译，合同从签署的摘要和签名中恢复签署人的地址，并要求其地址与提交交易的授权网关地址相等。如果恢复的地址与授权网关不匹配，交易将被拒绝。这会将每个账本条目绑定到特定的授权网关，防止未经授权或伪造的入侵记录。

智能合约在入侵检测 时自动触发，确保实时响应，无需人工干预（方程17）：

(17)

该区块链模块与扩展BiLSTM分类器并行运行。一旦检测到异常：（i） 事件由BiLSTM标记和分类，（ii） 生成、签署并附加到区块链账本中，（iii） 智能合约执行自动响应策略。

入侵日志智能合约（IoMTIntrusionLedger）维护一个仅附加的入侵块账本和授权网关账户的注册表，并展示了表 7中总结的功能。合同通过修改符强制执行两个访问角色：onlyAdmin（部署管理员）和 onlyGateway（授权提交入侵记录的账户）。状态由网关授权映射、块账本数组和当前链头（最近一个块的哈希值）组成。

S。不。	功能 / 组件	类型	交通	逻辑
1	构造者	制造商	—	将部署器设置为管理员，并授权其作为初始网关。
2	setGateway（address， bool）	功能	onlyAdmin	添加或移除授权网关账户;发出GatewayUpdated。
3	记录入侵（nodeId， patientId， attackClass， probabilityBp， dataDigest， signature， isolate）	功能	只有Gateway	计算 Hi = Keccak-256（Di ∥ Ti ∥ 概率 ∥ PrevHash）;通过ECRECOVER验证网关在Di上的ECDSA签名;将块附加到账本上;链头前进;会发出BlockCreated、可选的NodeIsolated和AdminAlert。回归H。
4	verifyChain（）	查看功能	公共	从每个块存储的字段重新计算哈希值并检查PrevHash的链接;只有当整个链条一致（篡改检测）时才返回为真。
5	ledgerLength（）	查看功能	公共	返回账本中的方块数量。
6	_recoverSigner（哈希，符号）	内部功能	—	将65字节签名拆分为（r， s， v），并通过ecrecover预编译恢复签名地址。
7	BlockCreated / NodeIsolated / AdminAlert / GatewayUpdated	活动	—	为链外监听者发送，用于驱动日志记录、节点隔离、管理员提醒和网关注册表更新。
8	onlyAdmin / onlyGateway	修饰符	—	分别限制管理员和授权网关的功能。

表7：IoMTIntrusionLedger智能合约的功能、事件及访问控制组件。 本表总结了该许可区块链智能合约中实现的主要功能、事件和访问控制修饰符。这些组件支持网关授权、入侵日志、区块链验证、事件生成和自动化缓解。

区块链的不可篡性性质直接源自方 程14，即对事件数据或时间戳的任何修改都会使哈希链失效。因此，区块链通过不可篡改的取证记录为医疗系统提供了数据完整性、可追溯性和可审计性。患者和设备入侵记录一旦存储，保持不变，每个块都安全链接到前一个块，实现时间顺序事件重建，医疗管理者或监管机构可以无伪造风险地验证入侵事件。

损失函数与模型优化
所提出的扩展BiLSTM模型解决了IoMT网络中区分正常流量与入侵事件的二元分类问题。为指导训练过程，采用了二元交叉熵（BCE）损失，非常适合S形激活层的概率输出。对于一个包含 N 个样本的数据集，损失定义如下（方程18）：

(18)

这里， 是第 i 个输入序列的真实标签（0 = 良性，1 = 入侵），是预测入侵概率。

该框架作为一个两阶段的分类流程运行。第一阶段执行二元入侵检测：扩展BiLSTM产生S形输出 ，并应用阈值τ = 0.5以区分每个窗口为良性或侵入性（方程12,13），并用加权二叉熵损失训练。第二阶段可以执行攻击分类，将被识别为入侵的窗口传递给多类分类器，多类分类器通过用 softmax 输出层分配特定攻击类别，该输出层经过类别交叉熵训练。本研究聚焦并评估二元检测阶段。这两个阶段共享相同的扩展BiLSTM特征提取骨干（Conv1D、BiLSTM、残差层、归一化层和注意力层）;它们的区别仅在于输出层（用于检测用S形态，用于分类的Softmax）和相应的损耗函数。二元检测阶段和多类分类阶段在上述相同的数据分区、随机种子和训练条件下进行训练和评估。

虽然 IoMT 流量常常不平衡，但加权二元交叉熵损失用于惩罚少数类别的错误分类。类别权重通过入侵样本数 _{N p}、良性样本数 N 以及样本总数 N 计算（方程 19,20）：

加权确保模型不偏向主导的良性流量类别，并对罕见但关键的入侵事件保持敏感。

加权二元交叉熵损失如下（方程21）：

(21)

训练使用64号的迷你批次进行。每个时代开始时，训练样本会被随机洗牌，然后再划分为批次，因此批次组成在不同时期之间变化，模型不会以固定顺序看到样本。批次并未明确按类别平衡或分层;相反，每批数据反映了训练集的自然类别分布，类别失衡通过类别加权的二元交叉熵损失来解决（方程19–21）。训练分区保留的验证子集在不同时期保持固定，未被重新分配到训练批次中。

加权二元交叉熵损失中的类权重并非人工设置，而是根据 方程19和20从训练集的类数自动计算出。对于UNSW-NB15数据集，所得类别权重分别为 正常类别和 入侵类别。对于CICIDS2017数据集，所得的类权重分别为 正常类和 入侵类。对于机器人物联网数据集（5%子集），所得的类权重分别是 普通类和 入侵类。

训练策略与优化
扩展BiLSTM模型使用大小为B = 64的迷你批次训练，采用加权二元交叉熵损失、Adam优化器以及基于验证损失的提前停止。训练时间限制在50个纪元，提前停止时耐心K=5。如果连续五个时代验证丢失没有改善，则停止训练，模型权重恢复为验证损失最低时期的权重。因此，50个纪元代表了最大训练预算，而非固定的训练时长。正则化应用了0.3的掉落概率。架构设置包括64个Conv1D滤波器、每个方向64个LSTM单元、窗口长度为T = 20，步幅为s = 1。所采用的训练策略总结于 算法3 （补充文件1）。用于优化的亚当更新方程在 补充文件3A中提供了。

亚当优化器的学习率为 ，第一时刻衰减率（β₁）为0.9，第二时刻衰减率（β₂）为0.999，数值稳定性常数为1×10-7。未使用额外的优化器选项，也未应用权重衰减或梯度裁剪。

警报生成与自动化缓解
在对延迟敏感的IoMT网络中，单靠检测是不够的，因为快速响应对保障患者安全至关重要。警报生成与缓解层将扩展BiLSTM模型和区块链日志机制所做出的入侵决策操作化。如果 δ_t = 1，区块链模块会添加一个包含入侵细节 的新块。同时，执行智能合约以触发缓解措施（方程22）：

(12)

在这里，BlockCreation 确保事件的不可变取证记录，NodeIsolation （n_j） 隔离被攻破的 IoMT 节点以防止进一步损害，AdminAlert 则实时向系统管理员发送通知。为了操作该双层响应流水线，伪代码在 算法4 （补充文件1）中呈现。

智能合约事件处理和链下响应机制详见 补充文件3E。

每个提交到区块链账本的条目都存储为 IntrusionBlock 记录，其字段和数据格式列于 表 8。账本是这些记录的仅附加数组，当前链头存储最近添加块的哈希值。

S。不。	场地	数据类型	规模	描述
1	hashId	字节32	32字节	块哈希 Hi = Keccak-256（Di ∥ Ti ∥概率 ∥ PrevHash）
2	时间戳	uint256	32字节	块创建时间 Ti （Unix 纪元秒，来源块时间戳）
3	nodeId（节点ID）	字节32	32字节	IoMT节点n的标识符nj。
4	patientID	字节32	32字节	患者/设备标识符（取证元数据）
5	攻击类	UINT16	2字节	攻击类别代码（0 = 普通，1 = DDoS，2 = 欺骗，......）
6	概率Bp	UINT16	2字节	预测入侵概率 ŷ 以基点计（0–10000，即0.00–100.00%）
7	数据摘要	字节32	32字节	精选活动摘要Di
8	签名	字节	变量（65字节）	ECDSA签名事件摘要的网关（r， s， v）
9	前哈希	字节32	32字节	前一个块的哈希（PrevHash），连接链
10	孤立	布尔	1字节	该记录是否触发了节点隔离

表8：区块链账本中存储的IntrusionBlock记录结构。 本表描述了用于存储入侵事件的区块链账本记录的字段、数据类型、存储大小及用途。该结构支持加密完整性验证、取证可追溯性和自动响应机制。

整体缓解延迟可表示为扩展BiLSTM模型的检测延迟（T_d）与区块链执行延迟（T_b）的总和（方程23）：

(23)

计算复杂性分析
所提扩展BiLSTM–区块链框架的效率由BiLSTM模型的计算成本和区块链模块带来的开销共同决定。该框架将扩展BiLSTM检测与区块链日志集成，以满足机密性、完整性和可用性（CIA）三位一体的核心安全要求。

设预处理的输入序列长度为T，特征维度为d，BiLSTM的隐藏维数为h。

对于每个时间步，BiLSTM处理维数 为d 且隐藏大小 为h的输入。由于它是双向（正向+后退）（方程24）：

) (24)

这里，T 是序列长度（时间步长）， d 是输入特征维度， h 是隐藏状态维度

注意力层计算重要性权重，并汇总具有复杂性的隐藏状态（方程25）。

(25)

该序列在序列长度 T 和隐维数 h上都是线性的。

因此，每个序列的整体检测复杂度如下（方程26）：

(26)

这表明时间建模主导了计算成本，而注意力机制仅带来轻量级开销。

对于每一次检测到的入侵事件，区块链日志都会进行哈希、签名和区块附加操作（方程27）：

(27)

对于 N 个入侵检测事件，综合复杂度如下（方程28）：

(28)

可以简化为如下（方程29）：

(29)

因为区块链开销随着事件数量线性增长，且与序列处理计算相比几乎可以忽略不计。

计算复杂度总结在方 程24–29中。详细解释见 补充文件3F。

Results

结果的组织方式与协议的方法论步骤相呼应，每个子部分报告相应步骤产生的观察结果。

数据集处理与实验设置
这三个基准数据集是独立分析的，而非合并的。由于UNSW-NB15、CICIDS2017和Bot-IoT使用不同的特征模式和标记规范，每个数据集都经过预处理、窗口化，并分别使用其80：20的训练/测试比例进行评估。扩展BiLSTM模型在每个数据集上独立训练和测试，性能指标（准确性、精度、召回率和F1分数）分别报告。该独立评估协议避免了因合并异构数据集而产生的特征空间不一致，并使所提框架的鲁棒性能够在三种不同网络环境中进行评估。

所提扩展BiLSTM-BC模型通过从CICIDS2017、UNSW-NB15和Bot-IoT数据集中提取的预处理正常和恶意流量进行训练和评估。数据采用单一分层保留分割进行分区。UNSW-NB15数据集提供了预定义的训练和测试分区，这些分区直接用于本研究。对于剩余的两个数据集（CICIDS2017和Bot-IoT），预处理的窗口样本采用80：20的分层随机抽样（scikit-learn train_test_split，按类别标签分层）分为训练集和测试集，从而保持了各分区间的良性与入侵类比。在训练集中，额外保留20%用于验证（Keras validation_split），使得有效64%的训练，16%的验证，20%的测试划分。验证集用于提前停止。为支持可重复性，scikit-learn、NumPy 和 TensorFlow 应用了固定的随机种子 42。扩展BiLSTM网络采用Adam优化器进行优化，学习率为0.001，批处理量为64，训练时间最多为50个。

特征选择结果
在模型训练之前，每个数据集的特征选择都是独立进行的，采用 AQU-IMF-RFE（AQUILA 优化器（AO）引导的递归特征消除程序，该过程根据互信息（MI）与类标签对候选特征进行排名，并在 Aquila 优化器搜索最优特征子集的同时迭代剔除特征。在选择功能前，标识符字段（如流ID、IP地址和端口号）和文本攻击类别字段被排除，以防止信息泄露。该程序保留了UNSW-NB15的14项特征，CICIDS2017保留了24项特征，以及机器人物联网的12项特征。所选输入变量的完整列表、其数据类型及源数据集见 表4，每个特征的扩展描述也包含在 补充文件2中。

培训与融合
训练过程中，模型表现出稳定收敛，随着网络参数趋近最优值，训练和验证性能均有所提升。拟议的扩展BiLSTM模型的层层架构总结于 表5，而用于实现和评估的软件及计算环境则在 表6中呈现。支持入侵日志和自动化缓解的区块链智能合约功能总结于 表7，区块链入侵记录的结构见 表8。本研究中使用的完整训练超参数集总结于 表9，支持所提框架的可重复性。

训练超参数	价值
学习率	0.001
优化器	亚当
批次大小	64
极盛纪元	50
输出激活函数	乙状结肠
列车与测试分段	80：20，分层
验证拆分	训练分区的20%
随机种子	42
输入窗口长度	20个时间步
滑动窗步幅	1
Conv1D 滤波器	64
Conv1D 核大小	3
Conv1D 填充	我也是
Conv1D激活	ReLU
BiLSTM层	2
BiLSTM单位	每个方向64个单位
BiLSTM输出维度	128
LSTM激活	Tanh
残差投影维数	128
早停耐心	5个时代
致密隐藏层单元	64
致密隐藏层活化	ReLU
辍学率	0.3
输出单元	1
分类阈值	0.5
损失函数	加权二元交叉熵（WBCE）

表9：用于训练扩展双向长短期记忆模型的超参数配置。 下表列出了在开发扩展双向长短期记忆（BiLSTM）入侵检测模型时使用的主要训练超参数，包括优化设置、激活函数、批次大小、训练时长和丢失函数。

表10 展示了该模型在50个时代、以5个时代为周期记录的训练和验证精度。模型在前10个时代内表现迅速，训练和验证准确率分别达到96.0%和95.5%。在第20纪元之后，准确率提升变得渐进式，两条曲线趋于接近。到第50纪元，模型稳定在99.1%的训练准确率和98.5%的验证准确率，表明过度拟合最小，泛化表现强劲。对应的学习曲线如 图3所示，展示了整个优化过程中训练和验证精度的进步。

时代	训练准确率（%）	验证准确率（%）
1	72.1	70
5	90	89
10	96	95.5
15	97.1	96.5
20	97.8	97.2
25	98.2	97.5
30	98.5	97.8
35	98.7	98
40	98.9	98.2
45	99	98.4
50	99.1	98.5

表10：扩展双向长短期记忆模型训练中的训练与验证准确率。 本表报告了在优化拟议的双向长短期记忆（BiLSTM）模型时，选定训练阶段测量的训练和验证准确率。这些数值被用来生成图3所示的准确性收敛曲线。

图3。扩展BiLSTM模型的训练与验证精度。 显示模型训练期间分类准确率的线图。横轴表示训练历程（1–50），纵轴表示分类准确率（百分比）。蓝色圆圈表示训练准确性，橙色方块表示验证准确性。 请点击此处查看该图的放大版本。

表11 展示了在相同5个纪元间隔内记录的训练和验证损失值。在初始训练阶段，训练损失从0.64降至0.28，验证损失从0.67降至0.31，到第5纪元。第20纪元之后，损失减少的速度变得更为缓慢，两条曲线也逐渐收敛。到第50纪元，训练损失稳定在0.08，而验证损失仍接近0.12，表明两条曲线之间的差异很小。这种收敛反映了有效的优化、有限的过拟合以及对此前未见数据的良好推广。相应的训练和验证损失曲线如 图4所示。评估模型的计算效率，包括推断延迟和吞吐量，汇总于 表12。这些测量的详细分析将在计算效率子节后面介绍。

时代	训练损失	验证丢失
1	0.64	0.67
5	0.28	0.31
10	0.13	0.17
15	0.11	0.15
20	0.1	0.14
25	0.095	0.13
30	0.09	0.125
35	0.085	0.122
40	0.083	0.12
45	0.082	0.118
50	0.08	0.12

表11：扩展双向长短期记忆模型训练期间的训练和验证损失。 本表报告了在优化拟议的双向长短时记忆（BiLSTM）模型期间，选定训练阶段测量的离子加权二元交叉熵损失值。这些数值用于生成图4所示的损失收敛曲线。

图4。扩展BiLSTM模型的训练与验证丢失。 线图显示模型训练过程中加权二元交叉熵损失。横轴表示训练时期（1–50），纵轴表示损失值。蓝色圆圈表示训练损失，橙色方块表示验证损失。 请点击此处查看该图的放大版本。

模型	延迟（平均每事件的毫秒）	吞吐量（平均事件/秒）
决策树	40	845
支持矢量机	75	670
LSTM	110	559
拟议扩展BiLSTM–区块链框架	135	320

表12：入侵检测模型的延迟与吞吐量比较。 本表比较了代表性的机器学习和深度学习入侵检测模型之间的推理延迟和处理吞吐量。延迟以每事件毫秒为单位报告，吞吐量以每秒处理事件数报告。

检测性能
表13 展示了该框架与三个基准数据集中传统机器学习和深度学习基线模型的比较评估。该模型在CICIDS2017上实现了98.9%的准确率，在UNSW-NB15上达到95.9%，在机器人物联网上达到98.8%，同时灵敏度分别为96.9%、97.6%和98.8%。在CICIDS2017和UNSW-NB15中，所提模型在所有评估模型中准确率最高，而在Bot-IoT上则达到了最高的准确率（98.8%），并与决策树（DT）基线相匹配。在机器人物联网（Bot-IoT）上，所提模型略优于LSTM基线（98.3%），与支持向量机（SVM）基线（98.7%）表现相当;该数据集中较小的性能余量反映了其极端的类别不平衡，良性流量仅占测试集中的极小部分。总体而言，所提模型在灵敏度与精度之间保持了良好平衡，展示了所有数据集的稳健入侵检测性能，同时在更为平衡的基准数据集（CICIDS2017和UNSW-NB15）上提供了最可靠的评估。数据集和基线模型间准确性、精度和召回性的相应比较见 图5–7。

数据集	模型	灵敏度（%）	特异度（%）	准确率（%）	精度（%）	召回 (%)
CICIDS2017	拟议扩展BiLSTM–区块链	96.9	99.4	98.9	97.5	96.9
	LSTM	93.3	98.5	97.5	93.9	93.3
	特别空间管理	94.8	98.8	98.1	95.1	94.8
	DT	93.1	98.7	97.5	94.6	93.1
新南威尔士-新南威尔士-NB15	拟议扩展BiLSTM–区块链	97.6	93.9	95.9	95.1	97.6
	LSTM	95.2	88.5	92.2	91.1	95.2
	特别空间管理	96.5	91.1	94.1	93.1	96.5
	DT	96.9	92.2	94.8	93.8	96.9
Bot-IoT	拟议扩展BiLSTM–区块链	98.8	90.5	98.8	99.3	98.8
	LSTM	98.3	89.4	98.3	99.2	98.3
	特别空间管理	98.7	88.4	98.7	99.3	98.7
	DT	98.8	93.6	98.8	99.3	98.8

表13：入侵检测模型在基准数据集间的性能比较。 本表比较了CICIDS2017、UNSW-NB15和Bot-IoT数据集上提出的框架和基线入侵检测模型，采用敏感度、特异性、准确性、精度和召回性能指标。

图5。数据集与机器学习/深度学习模型之间的准确性比较。 分组条形图，比较不同模型在CICIDS2017、UNSW-NB15和Bot-IoT数据集中获得的分类准确率（%）。条形图代表所提出的模型，长短期记忆（LSTM）、支持向量机（SVM）和决策树（DT）。横轴表示数据集，纵轴表示分类准确率（%）。 请点击此处查看该图的放大版本。

图6。入侵检测数据集间分类模型的精确比较。 分组条形图，显示不同模型在CICIDS2017、UNSW-NB15和Bot-IoT数据集上获得的精度（%）。横轴表示分类模型，纵轴表示精度（%）。LSTM，长短期记忆;SVM，支撑向量机;DT，决策树。 请点击此处查看该图的放大版本。

图7。回忆入侵检测数据集间分类模型的比较。 分组条形图，显示不同模型在CICIDS2017、UNSW-NB15和Bot-IoT数据集上获得的回忆率（%）。横轴表示分类模型，纵轴表示回忆率（%）。LSTM，长短期记忆;SVM，支撑向量机;DT，决策树。 请点击此处查看该图的放大版本。

为了更好地理解每个建筑构件的贡献，进行了消融研究。结果总结于 表14，显示注意力机制改善了时间优先级，残差层和卷积层增强了特征提取和学习稳定，区块链集成提供了防篡改的取证日志和自动化缓解。每一次架构改进都逐步提升了检测准确率，同时减少了误报预测。

型号变体	准确率（%）	精度（%）	召回 (%)	F1评分（%）	假阳性率 (%)	注释
纯BILSTM	97.5	93.9	93.3	93.67	1.47	基线序列入侵检测模型
BiLSTM + 注意力	98.04	95.18	94.85	95.01	1.18	注意力机制优先考虑信息性的时间特征
扩展双重STM（残差+变一D）	97.5	94.6	93.06	93.82	1.3	残差连接和卷积层提升了时间特征提取和训练稳定性
扩展BiLSTM+区块链	98.9	97.5	96.9	97.3	0.59	包含入侵检测、不可变日志和自动化缓解的完整框架

表14：拟议入侵检测框架中建筑组件的消融研究。 本表总结了各架构组件（包括注意力机制、残差学习、卷积特征提取和区块链集成）对所提框架整体性能的贡献。

对于每种消融变体，去除拟议框架的一个组成部分，而所有剩余条件保持不变。所有实验均保留相同的数据集、预处理的窗口输入、相同的80：20分层训练/测试分段及验证分区、固定随机种子（42个）、优化器（Adam）、学习率（0.001）、批次大小（64个）、最大50个训练阶段、早期停止标准（耐心=5）、中途退出率（0.3）以及网络架构。仅修改了被评估的组件，确保观察到的性能差异仅归因于被移除的组件。

与基线模型（LSTM、SVM和DT）相比，该框架在精度和召回率之间保持了有利的平衡，展示了对微妙攻击模式的更佳辨别能力，且假阳性预测率显著增加。这种平衡的性能体现在精度值与回忆值之间的持续小差值上，表明其F1分数较高且在异构网络流量中具有稳健的泛化能力。精度和召回率的比较见 图6和图7。

与代表性的IDS基线（包括SVM、DT和LSTM）相比，该框架在流量足够良性的基准数据集上显示出持续的性能优势。在CICIDS2017上，提出的扩展BiLSTM–区块链模型实现了98.9%的准确率，超过了LSTM（97.5%）、DT（97.5%）和SVM（98.1%）的基线。在UNSW-NB15上，准确率达到95.9%，同样是所有评估模型中最高的（LSTM 92.2%，SVM 94.1%，DT 94.8%）。在Bot-IoT中，该模型表现为极端类别不平衡且良性类别极小，所提模型实现了98.8%的准确率，匹配DT基线，略高于LSTM（98.3%）和SVM（98.7%）基线。传统机器学习模型在建模长程时间依赖性方面能力相对有限，而LSTM则提升了时间特征学习;然而，这些基线模型都未提供防篡改的取证记录或基于区块链的自动事件可追溯性。通过将残差学习、注意力机制和基于区块链的不可变日志与扩展BiLSTM架构整合，所提框架将竞争性的入侵检测性能与可验证的取证责任性结合起来，超越了基线方法。区块链组件将每个检测到的入侵记录为不可篡改的账本条目，包含区块标识符、时间戳、加密事件数据、密码学哈希和数字签名。区块链记录结构的示例见 图8。评估模型的比较准确性和错误率分别见 图9 和 图10，图 11 比较了评估模型的训练时间。所提出框架的整体性能指标，包括准确性、精度、召回率、F1分数和假阳性率，见 图12，准确率与F1分数的综合比较见 图13。

图8。例如，入侵检测后生成的区块链入侵记录。 入侵检测后创建的区块链记录示例。记录包含块标识符、患者/设备标识符、时间戳、加密事件数据、之前块哈希、当前块哈希和数字签名。记录结构对应于方程14中定义的区块链表示。 请点击此处查看该图的放大版本。

图9。所提框架与基准入侵检测模型之间的准确性比较。 条形图比较了拟议的扩展BiLSTM–区块链框架与基准入侵检测模型的分类准确性。横轴表示分类模型，纵轴表示分类准确率（%）。LSTM，长短期记忆;SVM，支撑向量机;DT，决策树。 请点击此处查看该图的放大版本。

图10。所提框架与基准入侵检测模型之间的错误率比较。 条形图显示了所提出的扩展BiLSTM–区块链框架及基准入侵检测模型所获得的最终错误率。横轴表示分类模型，纵轴表示错误率（%）。 请点击此处查看该图的放大版本。

图11。入侵检测模型的训练时间比较。 条形图显示每个评估模型的墙钟训练时长。x轴代表分类模型，y轴代表训练时间（秒）。训练时间是利用协议中描述的实验计算环境进行测量的。 请点击此处查看该图的放大版本。

图12。拟议扩展BiLSTM–区块链框架的性能指标。 条形图总结了拟议框架的表现。指标包括准确率、精度、回忆率（检测率）和F1分数。假阳性率（FPR = 0.59%）也作为注释在图中报告。纵轴代表性能值（百分比）。FPR，假阳性率。 请点击此处查看该图的放大版本。

图13。入侵检测模型之间的准确性与F1分数比较。 分组条形图，比较了各入侵检测模型的分类准确性和F1分数。紫色条代表准确度，绿色条代表F1分数。横轴代表分类模型，纵轴表示性能（百分比）。LSTM，长短期记忆;SVM，支撑向量机;DT，决策树。 请点击此处查看该图的放大版本。

从二分类阶段获得的混淆矩阵如 表15 所示，图 14中可视化。在三个基准测试集中，模型正确分类了486,798个正常实例，其中4,916个正常样本被误归为入侵。入侵类别中，877,494例入侵实例被正确识别，而12,978例侵入样本被错误归类为正常。这些结果显示出高的判别能力，分类误差相对较少，表明在IoMT环境中二进制入侵检测方面表现出可靠的性能。报告的准确性、F1评分、延迟和吞吐量仅对应本研究评估的二元入侵检测阶段。

模型	数据集	测试集大小	真级	预测正常	预测入侵	总计（真实）
拟议扩展BiLSTM - 区块链	CICIDS 2017	566149	普通	451946	2673	454619
			入侵	3426	108104	111530
			总计（预测）	455372	110777	566149
	新南威尔士-新不伦瑞克州第15选区	82332	普通	34764	2236	37000
			入侵	1087	44245	45332
			总计（预测）	35851	46481	82332
	Bot-IoT	733705	普通	88	7	95
			入侵	8465	725145	733610
			总计（预测）	8553	725152	733705
LSTM	CICIDS 2017	566149	普通	447946	6673	454619
			入侵	7396	104134	111530
			总计（预测）	455342	110807	566149
	新南威尔士-新不伦瑞克州第15选区	82332	普通	32765	4235	37000
			入侵	2153	43179	45332
			总计（预测）	34918	47414	82332
	Bot-IoT	733705	普通	85	10	95
			入侵	12465	721145	733610
			总计（预测）	12550	721155	733705
特别空间管理	CICIDS 2017	566149	普通	449257	5362	454619
			入侵	5743	105787	111530
			总计（预测）	455000	111149	566149
	新南威尔士-新不伦瑞克州第15选区	82332	普通	33729	3271	37000
			入侵	1568	43764	45332
			总计（预测）	35297	47035	82332
	Bot-IoT	733705	普通	84	11	95
			入侵	9465	724145	733610
			总计（预测）	9549	724156	733705
DT	CICIDS 2017	566149	普通	448697	5922	454619
			入侵	7743	103787	111530
			总计（预测）	456440	109709	566149
	新南威尔士-新不伦瑞克州第15选区	82332	普通	34129	2871	37000
			入侵	1397	43935	45332
			总计（预测）	35526	46806	82332
	Bot-IoT	733705	普通	89	6	95
			入侵	8465	725145	733610
			总计（预测）	8554	725151	733705

表15：所提出入侵检测模型的混淆矩阵。 下表展示了通过测试集评估所得的混淆矩阵。行对应真正的类别标签，列对应正常和入侵流量类别的预测类别标签。

图14。所提扩展BiLSTM–区块链入侵检测系统在基准数据集中的混淆矩阵。 混淆矩阵显示CICIDS2017、UNSW-NB15和Bot-IoT数据集的分类结果。行对应真实标签，列对应预测标签。单元格值表示每个分类结果被分配的实例数。IDS，入侵检测系统。 请点击此处查看该图的放大版本。

根据混淆矩阵推导出的类别级精度、回忆率和F1分数值汇总于 表16。高精度表明，所提框架很少将无害流量误判为恶意，从而减少了医疗环境中不必要的警报。同样，高召回率显示了入侵事件的有效检测，同时最大限度地减少了错失攻击。两类中持续强劲的F1分数证实了所提框架在检测灵敏度和分类准确性之间取得了平衡，支持其适合实时IoMT入侵检测。

级别	精度（%）	召回 (%)	F1评分 (%)
普通	97.4	99	98.2
入侵	99.44	98.54	98.99
平均值	98.42	98.77	98.59

表16：拟议入侵检测模型的类别级性能指标。 本表报告了正常类和入侵类的准确性、回忆率和F1分数值，以及测试集评估中获得的整体平均表现。

计算效率
实时性能通过预处理测试窗口的离线时序测量进行评估，而非实时直播环境。对于每个数据集，预处理的窗口测试样本通过完整的检测和区块链日志流程处理，并记录了墙时钟执行时间。时间边界定义如下。检测延迟（T_d）从模型推断调用前一刻测量，直到预测概率返回。从同一起点到最终区块链区块创建交易完成，测量端到端的缓解延迟（T_mitigation = T_d + T_b），区块链写入部分（T_b）作为两者测量的差值计算。账本验证是在缓解延迟计时器停止后进行的，因此被排除在报告的延迟之外。

吞吐量计算为处理窗口总数除以完整通过每个数据集测试分区所需的墙钟时间。每事件延迟通过将相应的经过时间除以处理窗口总数获得。工作负载包括三个基准数据集的窗口测试分区，同时保持其良性入侵类分布。被归类为恶意的Windows会承担额外的区块链日志开销，包括摘要计算、数字签名和智能合约交易执行，而良性Windows仅承担检测成本。

代表性入侵检测模型之间的延迟和吞吐量比较见 表12。传统机器学习模型，包括DT和SVM，展现出比拟议深度学习框架更低的推理延迟和更高的吞吐量。LSTM基线性能处于中等水平。所提的扩展BiLSTM–区块链框架在单节点Clique PoA部署中，每事件检测延迟约为135毫秒，吞吐量约为320事件/秒，具体分布在实验设置中描述。这些测量主要反映单验证者原型的性能，而非多节点可扩展性评估。

除了推断性能外，还比较了每个被评估模型的训练时间，以评估计算效率。训练时间是实时IoMT应用的重要考虑因素，需要快速部署模型。如 图11所示，DT实现了最低的每事件延迟（约40毫秒）和最高的吞吐量（约845事件/秒），其次是SVM（约75毫秒，670事件/秒）和LSTM（约110毫秒，559事件/秒）。所提出的扩展BiLSTM–区块链框架在评估模型中延迟最高（约135毫秒），吞吐量最低（约320事件/秒）。这种额外的计算成本源自双向架构、时间注意力机制以及基于区块链的不可篡改日志，这些共同提供了增强的时序特征学习和防篡改的取证可追溯性。尽管这些组件增加了每事件延迟，但已实现的吞吐量仍足以在物联网环境中进行近实时入侵监控。

涉及多个验证节点和不同事务负载的全面可扩展性评估超出了当前单节点原型的范围。在受控条件下评估吞吐量和延迟作为验证者数量和交易负载的函数，是未来研究框架在更大分布式医院环境中可扩展性的重要方向。

区块链日志与缓解
图8 展示了区块链入侵记录的示例。每个区块通过记录唯一的区块标识符（Block_ID）、患者或设备标识符（Patient_ID）、时间戳、加密入侵数据、前一块哈希、当前区块哈希以及数字签名，安全地存储在区块链账本中。这些领域共同提供了机密性、完整性、不可篡改性、认证和取证可追溯性，涵盖了拟议的扩展BiLSTM–区块链入侵检测框架。

总体而言，结果支持了一个核心假说：将注意力增强的扩展BiLSTM入侵检测器与基于区块链的日志层集成，能够为IoMT网络提供准确、高效且防篡改的入侵检测。该框架总体准确率为98.71%，F1评分为98.99%，在保持稳定收敛性和极少过度拟合证据的同时，持续优于受评估的机器学习和深度学习基线模型。消融研究表明，包括卷积层和残差层、注意力机制以及区块链集成在内的每个架构组件，都对整体检测性能和取证能力有递增性贡献。在单节点原型中，该框架平均延迟约为每事件135毫秒，吞吐量约为每秒320次，同时提供了不可变且可验证的入侵日志。综合来看，这些发现支持了所提集成检测与区块链框架在IoMT环境中用于实时入侵检测和安全取证记录的适用性。

数据可用性：
本研究所用的基准数据集是公开的。UNSW-NB15数据集可从UNSW堪培拉仓库（https://research.unsw.edu.au/projects/unsw-nb15-dataset）获取，CICIDS2017数据集可在加拿大网络安全研究所（https://www.unb.ca/cic/datasets/ids-2017.html）获取，机器人物联网数据集则可在UNSW堪培拉仓库（https://research.unsw.edu.au/projects/bot-iot-dataset）获取。

复现该研究所需的完整材料作为补充文件提供。 补充文件1 包含协议中描述的预处理、特征选择、模型训练、入侵检测、区块链和智能合约算法的完整伪代码。 补充文件2 包含数据预处理流水线、扩展BiLSTM模型、训练和评估脚本、区块链客户端、图形生成脚本以及端到端执行流水线的完整实现。随附的 README 提供了复现工作流程的逐步说明，包括数据集准备、模型训练、评估、图形生成以及可选的区块链部署。附带 的requirements.txt 文件规定了重建计算环境所需的 Python 包依赖关系。

图示	人偶类型	生成于
1	概念建筑图	矢量绘图软件
2	实现层级数据流图	矢量绘图软件
3	准确收敛曲线	训练历史（各时代的训练和验证准确率）
4	损失收敛曲线	训练历史（各时代的训练和验证损失）
5	准确率比较柱状图	每个模型的精度值
6	精密比较柱状图	按模型精度值
7	回忆对比柱状图	每个型号的回忆值
8	区块链区块结构图	概念区块链记录结构
9	准确度比较表	各方法准确率值
10	错误率比较表	每方法错误率值
11	训练时间比较表	测量训练时长
12	表现总结图表	拟定模型精度、召回率、准确性、F1分数和假阳性率值
13	准确性与F1分数比较表	每方法准确率和F1分数值
14	混淆矩阵	混淆矩阵计数

表17：用于生成研究数据的数据来源。 本表总结了用于生成手稿中每个图表的数据来源和计算输出。定量数据通过模型训练历史、评估指标、混淆矩阵输出和性能测量程序生成，而概念图则使用向量绘制软件绘制。

补充档案1。为拟议的扩展BiLSTM–区块链入侵检测框架提供算法和伪代码。 本补充文件包含预处理流水线（算法1）、扩展BiLSTM入侵检测（算法2）、带早期停止的模型训练（算法3）、基于区块链的入侵检测与缓解（算法4）、AQU-IMF-RFE特征选择（算法5）以及智能合约入侵记录过程（算法6）的完整伪代码。 请点击这里下载此文件。

补充档案2。拟议中的扩展BiLSTM–区块链入侵检测框架的源代码。 该补充文件包含预处理流水线、扩展BiLSTM模型、模型训练与评估、端到端执行流水线、区块链客户端以及重现报告结果所需的图形生成脚本的完整实现。 请点击这里下载此文件。

补充档案3。拟议扩展BiLSTM–区块链入侵检测框架的详细实现与优化程序。 本补充文件为简洁起见，提供了主协议中省略的实现细节，包括 （A） 扩展BiLSTM训练优化和数学表述（训练目标、亚当优化、提前停止和超参数配置）; （B） 详细的神经网络实现（Conv1D、堆叠BiLSTM、残差投射、注意力机制、权重初始化、退出和分类设置）; （C） 区块链部署与智能合约实现; （D） 数字签名生成与验证程序; （E） 智能合同事件处理和自动响应工作流程;以及 （F） 计算复杂性分析的解释。这些细节支持了所提框架的完全可重复性，同时保持了主协议的可读性。请点击这里下载此文件。

README。
重现拟议工作流程的说明。 该文件提供了软件安装说明、数据集准备、完整处理流程的执行、模型训练、评估、图形生成、区块链部署以及拟议框架的可重复性指导。

requirements.txt
用于重现计算环境的软件依赖。该文件列出了执行预处理、模型训练、评估、区块链和可视化组件所需的 Python 包依赖及兼容版本要求。

Discussion

本研究提出了一个集成的扩展BiLSTM–区块链框架，用于IoMT环境中的入侵检测与防范。结果表明，该框架通过结合双向时间学习与基于区块链的取证记录，有效识别异构IoMT网络流量中的入侵模式。双向架构使模型能够同时捕捉网络流量中的前向和后向时间依赖，导致入侵类别的高精度（99.44%）、98.54%的召回率和98.99%的F1评分，同时与评估的基线入侵检测模型相比，伪阳性率约为1.0%。与传统单向LSTM或基线架构不同，后者可能无法捕捉长距离时间依赖，所提模型更有效地识别顺序流量模式，提升了良性与恶意网络流量的区分。这些发现支持了研究假设：将注意力增强的扩展BiLSTM检测器与区块链日志层集成，既能提升入侵检测性能，也能提升取证责任。

该框架可归属于多个既定的研究方向。其中一条研究线聚焦于面向物联网系统（IoMT）的特征选择增强入侵检测，包括基于树和滤波的方法⁸、集合学习检测器⁹，以及我们此前报道的AQU-IMF-RFE特征选择框架¹⁸。这些方法通过降维提高检测准确性，但通常依赖于未明确建模网络流量中双向时间依赖性的分类器。该框架通过使用 AQU-IMF-RFE¹⁸ 构建优化特征空间，补充而非取代这些方法，扩展 BiLSTM 在此基础上执行时间入侵检测，而区块链层则提供不可变的取证日志。第二条研究线是使用序列学习模型进行入侵检测，包括注意力增强的BiLSTM架构^7、基于BiLSTM的网络^IDS31和循环神经网络方法^32,33。与这些研究一致，本研究结果证实了双向时间建模的价值，注意力增强的扩展BiLSTM获得了高于本研究评估的LSTM和CNN基线的F1分数。然而，与这些以检测为中心的模型不同，所提框架还包含了防篡改的区块链日志。第三个研究方向是探索基于区块链的医疗和物联网安全，包括支持区块链的医疗架构和取证完整性 28,34,35，许可区块链访问控制^36,37，以及基于区块链的联合入侵检测 IoMT³⁸.尽管这些研究确立了不可篡改性和可审计性的价值，但它们通常将入侵检测和取证日志视为独立过程，或采用计算密集型共识机制。相比之下，所提框架将轻量级的授权证书区块链直接集成到入侵检测器，提供不可变的日志和事件驱动的缓解，同时保持低计算开销。相较于近期的基于特征工程的入侵检测³⁹和医疗物联网⁴⁰的联合学习，本研究的主要贡献是在统一框架内将双向时间检测与基于区块链的取证可追溯性整合起来，而不仅仅是检测准确性的提升。

区块链集成为拟议框架增添了重要的信任、问责和取证能力。不可篡改的区块链记录确保入侵事件在记录后无法被修改，从而支持医疗环境中的合规性和取证审计。每个记录的事件都存储设备标识符、时间戳、加密哈希和数字签名，促进透明验证和可追溯性。此外，智能合约层通过生成节点隔离标志和管理员警报，由链外监听器处理，实现了自动化事件驱动的缓解，从而缩短响应时间，同时保留每个安全事件的可审计记录。这些能力共同将检测、安全日志和自动响应整合到单一架构中，超越了传统的入侵检测。

本研究存在若干局限性。方法论上，模型评估采用单一分层保留拆分，采用固定随机种子（42），而非重复交叉验证或多次随机初始化。超参数是从既定默认值中选出的，而不是通过穷尽优化过程。实验评估依赖于三个公开基准数据集（UNSW-NB15、CICIDS2017和Bot-IoT）41,42,43，虽然被广泛接受，但它们代表的是静态流量捕获，而非持续演进的网络流量。尽管采用了类别加权训练，其固有的类别不平衡也可能影响模型表现。此外，扩展BiLSTM架构包含更多可训练参数，且由于其双向循环结构和注意力机制，需要比传统机器学习基线更长的训练时间。虽然测量到的推理延迟支持在评估工作站上的实时部署，但计算和内存需求可能超出资源受限的IoMT边缘设备的能力，使得网关级或基于服务器的部署更为实用。该框架进一步假设入侵检测和区块链日志发生在可信的网关节点，且受授权的授权验证节点行为诚实。区块链日志带来约2秒的平均确认延迟，长期账本增长可能成为大规模部署中的扩展性问题。可信验证者的假设是授权区块链的固有特征^24,25，而更广泛的区块链安全挑战已在其他地方进行了审查²⁴。因此，在多机构部署中减少验证者串通仍是未来研究的重要话题。最后，尽管预处理统计数据完全从训练分区中得出以避免信息泄露，但使用预处理的离线基准数据集而非实时网络流量可能高估实际吞吐量，且基准数据集中已知的标签和抽样伪影可能引入数据集特有的偏差。尽管注意力机制提供了一定程度的可解释性，但该框架仍是一个深度学习的黑箱，可能限制了需要更易解读警报的临床医生和安全分析师的透明度。这一局限性与之前深度学习入侵检测调查6^、11、44的观察结果一致。

目前存在若干机会进一步扩展拟议框架。在实时的IoMT测试平台或运营医院网络上的验证，将提供超越离线基准数据集的更多真实世界性能证据。区块链实现可以从当前的单节点原型扩展为分布式多验证器部署，实现全面的可扩展性评估。模型压缩、剪枝或量化技术可能有助于在资源受限的边缘设备上部署。其他研究还可以结合在线学习以应对概念漂移和零日^{攻击，联合}学习实现跨医疗机构的协作模型训练，而无需共享敏感^{患者数据，}以及可解释的人工智能方法，为临床医生和网络安全人员提供更透明的入侵警报。

总体来看，所提议的扩展BiLSTM–区块链框架展现了强大的适应性、法医问责性和稳健的入侵检测性能。通过将注意力增强的时序学习与不可篡改的区块链日志和自动化缓解相结合，该框架将高检测精度、安全的取证可追溯性和低误报率相结合。这些发现展示了该方法作为保障实时IoMT环境安全的实用方法的潜力，同时支持医疗系统中可信赖的审计和及时的安全响应。

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
AQU-IMF-RFE 特征选择模块	自主开发	N/A	集成互信息、Aquila 优化器和递归特征消除的混合特征选择方法
注意力层	自主开发（基于 Keras）	N/A	用于在扩展 BiLSTM 模型中进行特征加权的时间注意力机制
Bot-IoT 数据集	UNSW Canberra 网络安全	N/A	用于入侵检测评估的公共基准数据集
CICIDS2017 数据集	加拿大网络安全研究所	N/A	公共基准入侵检测数据集
以太坊客户端（Geth）	以太坊基金会	1.13.15	用于部署和运行权威型网络的区块链客户端
扩展 BiLSTM 模型	自主开发	N/A	集成 Conv1D、BiLSTM、残差学习和时间注意力的深度学习入侵检测模型
Jupyter Notebook	Jupyter 项目	7.x	用于实现、实验和结果可视化的交互环境
NumPy	NumPy 开发者	2.4.4	用于预处理和模型训练的数值计算库
Pandas	Pandas 开发团队	3.0.2	用于预处理和数据分析的数据处理库
权威型区块链网络	自主开发	N/A	用于不可变入侵日志和自动缓解的权限区块链网络
Python	Python 软件基金会	3.12.7	用于数据预处理、模型开发、区块链集成和评估的编程语言
随机森林估计器	Scikit-learn 开发者	N/A	用于递归特征消除（RFE）的随机森林分类器
Scikit-learn	Scikit-learn 开发者	1.8.0	用于预处理、特征选择和模型评估的机器学习库
Solidity 编译器（solc）	Solidity 团队	0.8.19	用于智能合约编译和部署的编译器
固态硬盘（SSD）	戴尔	512 GB	用于数据集、训练模型和区块链账本的存储
系统内存（RAM）	戴尔	128 GB	用于预处理、模型训练、区块链执行和评估的主内存
TensorFlow	谷歌	2.16.1	用于实现和训练扩展 BiLSTM 模型的深度学习框架
UNSW-NB15 数据集	UNSW Canberra 网络安全	N/A	用于训练和评估的公共基准数据集
Web3.py	Web3.py 开发者	6.15.1	用于入侵检测系统与区块链网络之间通信的 Python 接口
Windows 操作系统	微软	Windows 11	用于所有实验的操作系统
工作站 / 服务器	戴尔	PowerEdge R740	用于模型训练、区块链部署和评估的计算平台