On-Device Interpretable Tsetlin Machine-Based Intrusion Detection for Secure IoMT

Resumen Técnico: Detección de Intrusos Basada en Máquina Tsetlin Interpretable en Dispositivo para IoMT Seguro

Enunciado del Problema
La rápida integración de dispositivos médicos habilitados para Internet en el Internet de las Cosas Médicas (IoMT) ha permitido la monitorización continua y en tiempo real de pacientes, pero ha introducido simultáneamente riesgos significativos de ciberseguridad. Estos dispositivos, que transmiten datos de salud altamente sensibles, son objetivos atractivos para ciberataques sofisticados que pueden comprometer la seguridad del paciente, la privacidad y la funcionalidad del sistema. Aunque los Sistemas de Detección de Intrusos (IDS) son estándar para la monitorización del tráfico de red, los enfoques tradicionales basados en firmas y en anomalías tienen dificultades con la naturaleza dinámica de los entornos IoMT y las amenazas emergentes. Además, las soluciones existentes de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL) a menudo operan como "cajas negras", careciendo de la interpretabilidad requerida para aplicaciones de salud críticas para la confianza. Asimismo, muchos modelos de alto rendimiento son demasiado intensivos computacionalmente para su despliegue en dispositivos periféricos con recursos limitados, los cuales son esenciales para la detección en tiempo real y de baja latencia en redes IoMT.

Metodología
El artículo propone un Sistema de Detección de Intrusos (IDS) novedoso y en dispositivo basado en la Máquina Tsetlin (TM), un enfoque de ML impulsado por reglas e interpretable. La metodología se estructura en tres etapas principales:

1. Preparación de Datos: El sistema utiliza el conjunto de datos MedSec-25, que simula tráfico IoMT realista incluyendo operaciones benignas y cuatro fases distintas de ciberataque basadas en el marco MITRE ATT&CK: Reconocimiento, Acceso Inicial, Movimiento Lateral y Exfiltración. El conjunto de datos contiene 554.534 muestras con 84 características basadas en flujos. El preprocesamiento implica el manejo de valores faltantes, la normalización de datos y la resolución del desequilibrio de clases. Para el modelo TM, se aplica la Técnica de Sobremuestreo Sintético de Minoría (SMOTE) al conjunto de entrenamiento, mientras que los modelos base de ML utilizan ponderación de clases. Crucialmente, las características continuas se transforman en entradas binarias utilizando un binarizador (KBinsDiscretizer) para alinearse con la arquitectura lógica de la TM.
2. Entrenamiento del Modelo: El núcleo del sistema es la Máquina Tsetlin, que construye cláusulas conjuntivas interpretables utilizando lógica proposicional para representar patrones de ataque. El modelo aprende identificando patrones recurrentes mediante aprendizaje de patrones frecuentes en lugar de minimizar únicamente el error. También se evalúa una variante de Máquina Tsetlin Escasa (STM) para introducir escasez controlada, reduciendo la influencia de características irrelevantes. El proceso de entrenamiento incluye el ajuste de hiperparámetros, la formación de cláusulas y la validación cruzada k-fold para garantizar la robustez y prevenir el sobreajuste.
3. Despliegue en el Borde: Para validar las capacidades de inferencia en tiempo real, los modelos entrenados se despliegan en un Raspberry Pi 5 (un dispositivo periférico con recursos limitados). El sistema captura el tráfico de red, lo convierte en características basadas en flujos, preprocesa y binariza los datos, y realiza la clasificación en el dispositivo para etiquetar el tráfico como benigno o malicioso.

Contribuciones Clave
El artículo describe cinco contribuciones principales:

• Desarrollo de un IDS efectivo basado en TM capaz de detectar varias fases de ciberataques en entornos IoMT.
• Evaluación exhaustiva del IDS en un escenario multiclase utilizando el conjunto de datos MedSec-25.
• Evidencia numérica que demuestra la superioridad del IDS propuesto sobre métodos de ML de última generación (incluyendo Árboles de Decisión, Bosques Aleatorios, XGBoost, LightGBM, KNN, Naive Bayes, Regresión Logística y Redes Neuronales).
• Un análisis de interpretabilidad que revela reglas de decisión específicas, incluyendo contribuciones a nivel de características, puntuaciones de voto por clase y mapas de calor de activación de cláusulas, mejorando así la transparencia.
• Despliegue exitoso en el borde en un Raspberry Pi, demostrando la viabilidad de la inferencia en tiempo real y en dispositivo para la detección de ataques.

Resultados
Las evaluaciones exhaustivas en el conjunto de datos MedSec-25 arrojaron los siguientes resultados:

• Rendimiento de Clasificación: El modelo TM propuesto logró el rendimiento más alto entre todos los clasificadores probados, alcanzando una puntuación F1 de 97,83%, con precisión y recuperación también en 97,87% y 97,83%, respectivamente. La variante de Máquina Tsetlin Escasa (STM) alcanzó una puntuación F1 competitiva de 97,33%.
• Comparación: La TM superó a todos los modelos base de ML. Por ejemplo, aunque XGBoost logró una alta recuperación (97,97%), su precisión fue menor (91,75%), resultando en una puntuación F1 más baja (94,47%). Los modelos tradicionales como Naive Bayes y Regresión Logística tuvieron un rendimiento significativamente peor (puntuaciones F1 de 44,76% y 61,19%, respectivamente).
• Tiempo de Inferencia: En la máquina anfitriona (MacBook M4), la TM requirió 66,24 µs por inferencia, lo cual es superior a la Regresión Logística (0,05 µs) pero competitivo con otros modelos complejos. En el Raspberry Pi 5, el tiempo de inferencia aumentó a 230,44 µs para la TM y 222,76 µs para la STM.
• Eficiencia de Recursos: En el dispositivo periférico, la TM y la STM mantuvieron un uso moderado de la CPU (~25-26%) y un uso de memoria manejable, contrastando marcadamente con XGBoost y LightGBM, que consumieron casi el 99% de los recursos de la CPU.
• Interpretabilidad: El estudio proporcionó explicaciones explícitas para las decisiones del modelo. Por ejemplo, al clasificar tráfico benigno, se demostró que el modelo suprime patrones no benignos mediante votos de cláusulas negativas mientras activa cláusulas positivas para características benignas. Los mapas de calor visualizaron la activación de cláusulas específicas para diferentes fases de ataque, confirmando la dependencia del modelo en reglas lógicas en lugar de pesos opacos.

Significado y Afirmaciones
El artículo afirma que la combinación de alto rendimiento de clasificación e interpretabilidad explícita hace que el IDS propuesto basado en TM sea particularmente adecuado para entornos de salud IoMT. En sectores donde la confianza, la fiabilidad, la seguridad y la toma de decisiones oportuna son críticas, la capacidad de explicar por qué un flujo de tráfico específico fue marcado como un ataque es tan importante como la propia precisión de detección. El despliegue exitoso en un Raspberry Pi valida aún más la idoneidad del modelo para la inferencia en tiempo real y en dispositivo en entornos con recursos limitados, reduciendo la dependencia de sistemas centralizados en la nube y permitiendo la mitigación inmediata de amenazas. Los autores concluyen que este enfoque aborda los desafíos duales de detectar ciberataques sofisticados y multifase y proporcionar la transparencia necesaria para su adopción en infraestructuras de salud críticas. Se señala que el trabajo futuro implicará extender las evaluaciones a conjuntos de datos públicos adicionales y desarrollados internamente con una variabilidad de ataques más amplia.