研究文章

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

DOI：

10.3791/71834

⸱

2026年7月17日

 ,  , 
1Department of CSE, Jawaharlal Nehru Technological University Kakinada, 2Department of CSE, Lakireddy Bali Reddy College of Engineering (A)

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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....

访问受限。请登录或开始试用以查看此内容。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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。

figure-protocol-1
图1。拟议的扩展BiLSTM....

访问受限。请登录或开始试用以查看此内容。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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B.......

访问受限。请登录或开始试用以查看此内容。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.......

访问受限。请登录或开始试用以查看此内容。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

利益冲突：
作者声明他们与本文内容无任何利益冲突。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

我衷心感谢拉基雷迪·巴厘雷迪工程学院（A），迈拉瓦拉姆，提供了对完成这项工作的至关重要的研究设施。中心提供的资源和支持在促进我研究顺利进行中发挥了关键作用。我非常感谢我的导师D. Veeraiah博士和L. Sumalatha博士，他们在整个研究过程中持续给予的指导、宝贵的见解和坚定的鼓励。本研究未获得公共、商业或非营利部门的任何资助机构的特定资助。

....

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
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 堪培拉网络安全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 NotebookJupyter 项目7.x用于实现、实验和结果可视化的交互式环境
NumPyNumPy 开发者2.4.4用于预处理和模型训练的数值计算库
PandasPandas 开发团队3.0.2用于预处理和数据分析的数据处理库
权威区块链网络自主开发N/A用于不可变入侵日志记录和自动化缓解的许可区块链网络
PythonPython 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-learnScikit-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在预处理、模型训练、区块链执行和评估期间使用的主内存
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 堪培拉网络安全N/A用于训练和评估的公共基准数据集
Web3.pyWeb3.py 开发者6.15.1用于入侵检测系统和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

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

233 233 BiLSTM IoMT
视频即将推出

相关文章