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

Resumen Técnico: Método de ML con Conciencia de Seguridad para el Protocolo de Comunicación de Redes de Área Corporal (802.15.6) en Aplicaciones de Monitoreo de Salud Basadas en IoT

Planteamiento del Problema
Las Redes de Área Corporal Inalámbricas (WBAN, por sus siglas en inglés) son críticas para el monitoreo de salud basado en IoT, permitiendo la transmisión continua de datos fisiológicos a través de sensores vestibles e implantables. Sin embargo, la creciente conectividad y la frecuencia de la transmisión de datos introducen vulnerabilidades de seguridad significativas y desafíos de consumo de energía. Las WBAN operan sobre canales inalámbricos abiertos con nodos de recursos limitados, lo que las hace susceptibles a ataques de repetición (replay attacks), suplantación de identidad (identity spoofing), inyección de datos maliciosos y escucha no autorizada (eavesdropping).

Aunque la literatura existente ofrece soluciones como la autenticación criptográfica, la validación basada en blockchain y arquitecturas de computación en la niebla (fog) o en el borde (edge), persiste una brecha en la detección de intrusiones en tiempo real a nivel de capa de comunicación. La mayoría de los enfoques actuales dependen de mecanismos de seguridad deterministas o análisis post-hoc, careciendo de la capacidad de estimar la probabilidad de ataque de forma probabilística. Además, las estrictas restricciones de energía en los dispositivos vestibles limitan el despliegue de mecanismos de seguridad pesados. Existe una falta específica de marcos que integren la estimación de la probabilidad de ataque basada en aprendizaje automático (ML) directamente en los protocolos de comunicación IEEE 802.15.6 para permitir una transmisión adaptativa y consciente del riesgo.

Metodología
El artículo propone un marco denominado SABMABAN-Hybrid (Security-Aware Bit-Map Assisted BAN Hybrid). Este enfoque integra la estimación de la probabilidad de ataque basada en ML con una arquitectura de comunicación de dos capas con eficiencia energética:

1. Arquitectura de Dos Capas:

   • Capa 1 (Intracorporal): Utiliza el estándar IEEE 802.15.6 con programación de Acceso por División de Tiempo Mejorado (EATDMA) y un periodo de Acceso por Contienda (CAP) corto. Esta capa gestiona la comunicación entre los biosensores vestibles y el coordinador de la Red de Área Corporal (BAN).
   • Capa 2 (Gateway): Utiliza el estándar IEEE 802.15.4 con un mecanismo de programación asistido por mapa de bits (bitmap) y un CAP más grande para reservar ranuras de transmisión para la comunicación ascendente (uplink) desde el coordinador hacia la puerta de enlace (gateway) o la nube.

2. Integración de Aprendizaje Automático (ML):

   • Los modelos de ML se entrenan con datos de monitoreo de salud (características fisiológicas como frecuencia cardíaca, presión arterial, temperatura y SpO2) combinados con atributos de la capa de comunicación.
   • El sistema emplea un enfoque probabilístico en lugar de una clasificación binaria. Estima la probabilidad de ataque ($\hat{p}_i$) para cada instancia de comunicación utilizando clasificadores como Regresión Logística, Máquinas de Vectores de Soporte (SVM), Bosque Aleatorio (Random Forest), Gradient Boosting y Perceptrón Multicapa (MLP).
   • Se utiliza un marco de ML optimizado por umbral para manejar el desequilibrio de clases en el conjunto de datos.
   • La probabilidad de ataque estimada se convierte en una probabilidad de transmisión segura ($p_1$), la cual controla el reenvío de datos. Si el riesgo estimado es alto, el sistema adapta el comportamiento de transmisión para mitigar las amenazas potenciales.

3. Modelado Matemático:

   • El marco modela el indicador de ataque $A(t)$ y la señal comprometida $r^*_i(t)$ como una función de la transmisión legítima más un término de perturbación.
   • Se formulan modelos de consumo de energía para ambas capas, IEEE 802.15.6 e IEEE 802.15.4, contabilizando la transmisión, recepción, escucha ociosa (idle listening) y verificación de búfer durante el CAP y el Periodo Libre de Contienda (CFP).
   • El consumo de energía total de la red ($E_{SABMABAN}$) se calcula combinando la energía de ambas capas, modulada por el número de tramas y la probabilidad de transmisión derivada de ML.

Contribuciones Clave

• Integración de Modelos de ML y Energía: La estimación de la probabilidad de ataque se integra directamente con el modelo de consumo de energía de la comunicación WBAN IEEE 802.15.6, permitiendo un control de seguridad adaptativo.
• Marco de ML Optimizado por Umbral: Desarrollo de un marco diseñado específicamente para manejar conjuntos de datos de salud desequilibrados para una estimación precisa de la probabilidad de ataque.
• Arquitectura Segura de Dos Capas: Creación de una arquitectura de BAN híbrida y segura que combina IEEE 802.15.6 (intracorporal) con IEEE 802.15.4 (gateway) con un modelado de riesgo adaptativo.
• Evaluación Exhaustiva: El estudio evalúa el modelo propuesto utilizando Precisión (Accuracy), Exactitud (Precision), Sensibilidad (Recall), F1-score, ROC-AUC y Matriz de Confusión, junto con un análisis comparativo de consumo de energía frente a protocolos existentes (BMABAN-Hybrid, BANTDMA, SABAN-EATDMA, EATDMABAN).

Resultos
La evaluación se llevó a cabo en dos fases: análisis de ML basado en Python y simulación de energía basada en MATLAB.

• Desempeño de ML: Entre los clasificadores probados, el Perceptrón Multicapa (MLP) logró la mayor precisión de clasificación de aproximadamente 0.68. Aunque los valores de Exactitud fueron relativamente bajos (0.13–0.18) en todos los modelos, indicando algunos falsos positivos, SVM y la Regresión Logística lograron altos valores de Sensibilidad (acercándose a 1.0), asegurando que los eventos de ataque potenciales rara vez se pasen por alto. La probabilidad de transmisión consciente del ataque resultante se estimó en $p_1 = 0.14$.
• Eficiencia Energética: Las simulaciones en MATLAB demostraron que el protocolo SABMABAN-Hybrid superó consistentemente a los esquemas existentes en eficiencia energética en diversas variables de red (sesiones por ciclo, tamaño de paquete, probabilidad de evento, número de sensores, número de pacientes).
  • Cuando el número de pacientes aumentó a 100, el método propuesto logró aproximadamente una reducción de energía del 26.7% en comparación con EATDMABAN y una reducción del 45% en comparación con BANTDMA.
  • Cuando el número de sensores aumentó a 24 por paciente, el esquema redujo el consumo de energía en casi un 50% en comparación con BMABAN-Hybrid y aproximadamente un 79.6% en comparación con BANTDMA.

Significancia y Reivindicaciones
El artículo sostiene que la integración del control de transmisión consciente de la seguridad con mecanismos de programación híbridos mejora significativamente la confiabilidad y la sostenibilidad de los sistemas de monitoreo de salud basados en IoT. Al pasar de una seguridad determinista a una estimación de ataque probabilística, el marco permite que la red controle adaptativamente el reenvío de datos basándose en la evaluación del riesgo en tiempo real.

Los autores afirman que este enfoque reduce eficazmente las transmisiones innecesarias, disminuyendo así el consumo de energía general de la red sin comprometer la detección de actividades maliciosas. El estudio concluye que, si bien los enfoques criptográficos tradicionales son insuficientes para la detección en tiempo real de actividades maliciosas en entornos con recursos limitados, un marco de ML ligero y consciente de la seguridad puede cerrar esta brecha. Se propone como trabajo futuro implementar el protocolo en plataformas de IoT reales y extender el marco con detección de intrusiones adaptativa basada en aprendizaje profundo para entornos de gran escala.