Apprentissage profond pour la détection d’intrusions dans l’IoMT

Abstract

L’Internet des Objets Médicaux (IoMT) constitue un réseau sophistiqué d’appareils médicaux interconnectés, dédiés à la collecte et à l’échange en temps réel de données médicales critiques. Cette technologie promet d’améliorer substantiellement la qualité des soins aux patients tout en réduisant notablement les coûts associés. Cependant, l’adoption rapide et massive de l’IoMT soulève des défis majeurs en matière de sécurité, pouvant compromettre l’intégrité des données médicales ainsi que la sécurité des patients en raison des vulnérabilités dans les flux d’informations. Pour répondre efficacement à ces enjeux, ce travail propose une approche combinant des réseaux neuronaux récurrents à mémoire longue et court terme (LSTM) avec une stratégie d’apprentissage fédéré basée sur la protection de la confidentialité des données. Ce modèle tire parti des caractéristiques temporelles intrinsèques du trafic réseau afin d’identifier précisément les comportements anormaux révélateurs d’intrusions, tout en assurant une confidentialité accrue grâce à une collaboration décentralisée entre divers dispositifs médicaux connectés. Les résultats expérimentaux démontrent que l’intégration du modèle LSTM avec l’apprentissage fédéré permet d’atteindre une précision élevée dans la détection des intrusions, tout en réduisant considérablement les fausses alertes comparativement aux méthodes conventionnelles. Ces performances soulignent le potentiel remarquable de cette approche pour renforcer efficacement la cybersécurité des réseaux IoMT, garantissant ainsi une protection optimale et rigoureuse des données médicales sensibles.