Security-Aware ML-method for Body Area Network Communication Protocol (802.15.6) in IoT-Based Health Monitoring Applications

Technische Zusammenfassung: Sicherheitsbewusste ML-Methode für das Body Area Network Kommunikationsprotokoll (802.15.6) in IoT-basierten Gesundheitsüberwachungsanwendungen

Problemstellung
Wireless Body Area Networks (WBANs) sind entscheidend für die IoT-basierte Gesundheitsüberwachung und ermöglichen die kontinuierliche Übertragung physiologischer Daten über tragbare und implantierbare Sensoren. Die zunehmende Konnektivität und die Häufigkeit der Datenübertragung führen jedoch zu erheblichen Sicherheitsanfälligkeiten und Herausforderungen beim Energieverbrauch. WBANs arbeiten über offene drahtlose Kanäle mit ressourcenbeschränkten Knoten, was sie anfällig für Replay-Angriffe, Identitätsdiebstahl (Spoofing), bösartige Dateninjektion und Abhören macht.

Obwohl die bestehende Literatur Lösungen wie kryptografische Authentifizierung, Blockchain-basierte Validierung und Fog/Edge-Computing-Architekturen bietet, besteht eine Lücke in der Echtzeit-Intrusion-Detection auf der Kommunikationsebene. Die meisten aktuellen Ansätze stützen sich auf deterministische Sicherheitsmechanismen oder Post-hoc-Analysen und verfügen nicht über die Fähigkeit, die Angriffswahrscheinlichkeit probabilistisch zu schätzen. Zudem begrenzen strikte Energiebeschränkungen bei Wearables den Einsatz schwerfälliger Sicherheitsmechanismen. Es mangelt an spezifischen Frameworks, die maschinelles Lernen (ML)-basierte Angriffswahrscheinlichkeitsschätzung direkt in IEEE 802.15.6 Kommunikationsprotokolle integrieren, um eine adaptive, risikobewusste Übertragung zu ermöglichen.

Methodik
Das Paper schlägt ein Security-Aware Bit-Map Assisted BAN Hybrid (SABMABAN-Hybrid) Framework vor. Dieser Ansatz integriert ML-basierte Angriffswahrscheinlichkeitsschätzung mit einer energieeffizienten zweischichtigen Kommunikationsarchitektur:

1. Zweistufige Architektur:

   • Schicht 1 (Intra-body): Nutzt den IEEE 802.15.6 Standard mit Enhanced Access Time Division Multiple Access (EATDMA) Scheduling und einer kurzen Contention Access Period (CAP). Diese Schicht verwaltet die Kommunikation zwischen tragbaren Biosensoren und dem Body Area Network (BAN) Koordinator.
   • Schicht 2 (Gateway): Nutzt den IEEE 802.15.4 Standard mit einem Bitmap-gestützten Scheduling-Mechanismus und einer größeren CAP, um Übertragungs-Slots für die Uplink-Kommunikation vom Koordinator zum Gateway/Cloud zu reservieren.

2. Integration von Maschinellem Lernen:

   • ML-Modelle werden auf Gesundheitsüberwachungsdaten (physiologische Merkmale wie Herzfrequenz, Blutdruck, Temperatur und SpO2) kombiniert mit Attributen der Kommunikationsebene trainiert.
   • Das System verwendet einen probabilistischen Ansatz anstelle einer binären Klassifizierung. Es schätzt die Angriffswahrscheinlichkeit ($\hat{p}_i$) für jede Kommunikationsinstanz unter Verwendung von Klassifikatoren wie Logistischer Regression, Support Vector Machines (SVM), Random Forest, Gradient Boosting und Multi-Layer Perceptron (MLP).
   • Ein schwellenwertoptimiertes ML-Framework wird eingesetzt, um das Klassenungleichgewicht im Datensatz zu handhaben.
   • Die geschätzte Angriffswahrscheinlichkeit wird in eine sichere Übertragungswahrscheinlichkeit ($p_1$) umgewandelt, welche die Datenweiterleitung steuert. Wenn das geschätzte Risiko hoch ist, passt das System das Übertragungsverhalten an, um potenzielle Bedrohungen zu mildern.

3. Mathematische Modellierung:

   • Das Framework modelliert den Angriffsindikator $A(t)$ und das kompromittierte Signal $r^*_i(t)$ als Funktion der legitimen Übertragung plus eines Perturbationsbegriffs.
   • Energieverbrauchsmodelle sind für beide IEEE 802.15.6 und IEEE 802.15.4 Schichten formuliert und berücksichtigen Übertragung, Empfang, Idle-Listening sowie Buffer-Prüfung während der CAP und der Contention Free Period (CFP).
   • Der gesamte Netzwerkenergieverbrauch ($E_{SABMABAN}$) wird durch Kombination der Energie beider Schichten berechnet, moduliert durch die Anzahl der Frames und die ML-abgeleitete Übertragungswahrscheinlichkeit.

Wesentliche Beiträge

• Integration von ML und Energiemodellen: Die Angriffswahrscheinlichkeitsschätzung wird direkt in das Energieverbrauchsmodell der IEEE 802.15.6 WBAN-Kommunikation integriert, was eine adaptive Sicherheitssteuerung ermöglicht.
• Schwellenwertoptimiertes ML-Framework: Entwicklung eines Frameworks, das speziell für die Handhabung unbalancierter Gesundheitsdatensätze zur präzisen Schätzung der Angriffswahrscheinlichkeit konzipiert ist.
• Zweistufige sichere Architektur: Erstellung einer hybriden sicheren BAN-Architektur, die IEEE 802.15.6 (Intra-body) und IEEE 802.15.4 (Gateway) mit adaptivem Risikomodell kombiniert.
• Umfassende Evaluierung: Die Studie evaluiert das vorgeschlagene Modell mittels Accuracy, Precision, Recall, F1-Score, ROC-AUC und Confusion Matrix sowie einer vergleichenden Analyse des Energieverbrauchs gegenüber bestehenden Protokollen (BMABAN-Hybrid, BANTDMA, SABAN-EATDMA, EATDMABAN).

Ergebnisse
Die Evaluierung wurde in zwei Phasen durchgeführt: Python-basierte ML-Analyse und MATLAB-basierte Energiesimulation.

• ML-Performance: Unter den getesteten Klassifikatoren erreichte das Multi-Layer Perceptron (MLP) die höchste Klassifizierungsgenauigkeit von etwa 0,68. Während die Precision-Werte über die Modelle hinweg relativ niedrig waren (0,13–0,18), was auf einige False Positives hindeutet, erreichten SVM und Logistische Regression hohe Recall-Werte (nahe 1,0), wodurch sichergestellt wird, dass potenzielle Angriff Ereignisse selten übersehen werden. Die resultierende angriffsbewusste Übertragungswahrscheinlichkeit wurde auf $p_1 = 0,14$ geschätzt.
• Energieeffizienz: MATLAB-Simulationen zeigten, dass das SABMABAN-Hybrid Protokoll konsistent besser als bestehende Schemata in Bezug auf die Energieeffizienz über variierende Netzwerkparameter hinweg abschnitt (Sessions pro Zyklus, Paketgröße, Ereigniswahrscheinlichkeit, Anzahl der Sensoren, Anzahl der Patienten).
  • Als die Anzahl der Patienten auf 100 anstieg, erreichte die vorgeschlagene Methode eine etwa 26,7%ige Energieeinsparung im Vergleich zu EATDMABAN und eine 45%ige Reduktion im Vergleich zu BANTDMA.
  • Als die Anzahl der Sensoren auf 24 pro Patient anstieg, reduzierte das Schema den Energieverbrauch um fast 50% im Vergleich zu BMABAN-Hybrid und um etwa 79,6% im Vergleich zu BANTDMA.

Bedeutung und Ansprüche
Das Paper behauptet, dass die Integration einer sicherheitsbewussten Übertragungssteuerung mit hybriden Scheduling-Mechanismen die Zuverlässigkeit und Nachhaltigkeit von IoT-basierten Gesundheitsüberwachungssystemen signifikant verbessert. Durch den Übergang von deterministischer Sicherheit zu probabilistischer Angriffsschätzung ermöglicht das Framework es dem Netzwerk, die Datenweiterleitung basierend auf einer Echtzeit-Risikobewertung adaptiv zu steuern.

Die Autoren behaupten, dass dieser Ansatz unnötige Übertragungen effektiv reduziert, wodurch der gesamte Netzwerkenergieverbrauch gesenkt wird, ohne die Erkennung bösartiger Aktivitäten zu beeinträchtigen. Die Studie kommt zu dem Schluss, dass traditionelle kryptografische Ansätze allein nicht ausreichen, um bösartige Aktivitäten in ressourcenbeschränkten Umgebungen in Echtzeit zu erkennen, und dass ein leichtgewichtiges, sicherheitsbewusstes ML-Framework diese Lücke schließen kann. Als zukünftige Arbeit wird die Implementierung des Protokolls auf realen IoT-Plattformen und die Erweiterung des Frameworks um Deep-Learning-basierte adaptive Intrusion-Detection für großflächige Umgebungen vorgeschlagen.