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

Résumé Technique : Détection d'Intrusion Interprétable Basée sur la Machine Tsetlin pour un IoMT Sécurisé

Énoncé du Problème
L'intégration rapide de dispositifs médicaux connectés à Internet dans l'Internet des Objets Médicaux (IoMT) a permis une surveillance continue et en temps réel des patients, mais a simultanément introduit des risques majeurs de cybersécurité. Ces dispositifs, qui transmettent des données de santé hautement sensibles, sont des cibles attrayantes pour des cyberattaques sophistiquées pouvant compromettre la sécurité des patients, leur vie privée et le fonctionnement du système. Bien que les Systèmes de Détection d'Intrusion (IDS) soient la norme pour surveiller le trafic réseau, les approches traditionnelles basées sur les signatures et sur les anomalies peinent à s'adapter à la nature dynamique des environnements IoMT et aux menaces émergentes. De plus, les solutions existantes d'Apprentissage Automatique (ML) et d'Apprentissage Profond (DL) fonctionnent souvent comme des « boîtes noires », manquant de l'interprétabilité requise pour les applications de santé critiques. Par ailleurs, de nombreux modèles haute performance sont trop intensifs en calcul pour être déployés sur des dispositifs périphériques aux ressources limitées, essentiels pour une détection en temps réel à faible latence dans les réseaux IoMT.

Méthodologie
L'article propose un Système de Détection d'Intrusion (IDS) novateur, exécuté sur le dispositif, basé sur la Machine Tsetlin (TM), une approche d'apprentissage automatique pilotée par des règles et interprétable. La méthodologie est structurée en trois étapes principales :

1. Préparation des Données : Le système utilise le jeu de données MedSec-25, qui simule un trafic IoMT réaliste incluant des opérations bénignes et quatre phases distinctes d'attaques cybernétiques basées sur le cadre MITRE ATT&CK : Reconnaissance, Accès Initial, Mouvement Latéral et Exfiltration. Le jeu de données contient 554 534 échantillons avec 84 caractéristiques basées sur les flux. Le prétraitement implique la gestion des valeurs manquantes, la normalisation des données et la résolution du déséquilibre des classes. Pour le modèle TM, la technique de Sur-échantillonnage Synthétique des Minorités (SMOTE) est appliquée à l'ensemble d'entraînement, tandis que les références ML utilisent un pondération des classes. Crucialement, les caractéristiques continues sont transformées en entrées binaires à l'aide d'un binariseur (KBinsDiscretizer) pour s'aligner sur l'architecture logique de la TM.
2. Entraînement du Modèle : Le cœur du système est la Machine Tsetlin, qui construit des clauses conjonctives interprétables utilisant la logique propositionnelle pour représenter les motifs d'attaque. Le modèle apprend en identifiant des motifs récurrents par l'apprentissage de motifs fréquents plutôt qu'en minimisant uniquement l'erreur. Une variante de la Machine Tsetlin Sparse (STM) est également évaluée pour introduire une parcimonie contrôlée, réduisant l'influence des caractéristiques non pertinentes. Le processus d'entraînement comprend le réglage des hyperparamètres, la formation de clauses et la validation croisée k-fold pour assurer la robustesse et prévenir le surapprentissage.
3. Déploiement Périphérique : Pour valider les capacités d'inférence en temps réel, les modèles entraînés sont déployés sur un Raspberry Pi 5 (un dispositif périphérique aux ressources limitées). Le système capture le trafic réseau, le convertit en caractéristiques basées sur les flux, prétraite et binarise les données, puis effectue une classification sur le dispositif pour étiqueter le trafic comme bénin ou malveillant.

Contributions Clés
L'article expose cinq contributions principales :

• Développement d'un IDS efficace basé sur la TM capable de détecter diverses phases d'attaques cybernétiques dans les environnements IoMT.
• Évaluation complète de l'IDS dans un contexte multi-classes utilisant le jeu de données MedSec-25.
• Preuve numérique démontrant la supériorité de l'IDS proposé par rapport aux méthodes ML de l'état de l'art (incluant les Arbres de Décision, les Forêts Aléatoires, XGBoost, LightGBM, KNN, Naive Bayes, la Régression Logistique et les Réseaux de Neurones).
• Une analyse d'interprétabilité révélant des règles de décision spécifiques, notamment les contributions au niveau des caractéristiques, les scores de vote par classe et les cartes thermiques d'activation des clauses, améliorant ainsi la transparence.
• Déploiement réussi sur un Raspberry Pi, démontrant la faisabilité d'une inférence en temps réel sur le dispositif pour la détection d'attaques.

Résultats
Des évaluations approfondies sur le jeu de données MedSec-25 ont produit les résultats suivants :

• Performance de Classification : Le modèle TM proposé a atteint les meilleures performances parmi tous les classificateurs testés, obtenant un score F1 de 97,83 %, avec une précision et un rappel également de 97,87 % et 97,83 % respectivement. La variante Sparse TM (STM) a obtenu un score F1 compétitif de 97,33 %.
• Comparaison : La TM a surpassé tous les modèles ML de référence. Par exemple, bien que XGBoost ait obtenu un rappel élevé (97,97 %), sa précision était plus faible (91,75 %), résultant en un score F1 inférieur (94,47 %). Les modèles traditionnels comme Naive Bayes et la Régression Logistique ont performé nettement moins bien (scores F1 de 44,76 % et 61,19 % respectivement).
• Temps d'Inférence : Sur la machine hôte (MacBook M4), la TM a nécessité 66,24 µs par inférence, ce qui est plus élevé que la Régression Logistique (0,05 µs) mais compétitif par rapport aux autres modèles complexes. Sur le Raspberry Pi 5, le temps d'inférence a augmenté à 230,44 µs pour la TM et 222,76 µs pour la STM.
• Efficacité des Ressources : Sur le dispositif périphérique, la TM et la STM ont maintenu une utilisation CPU modérée (~25-26 %) et une utilisation mémoire gérable, contrastant fortement avec XGBoost et LightGBM, qui ont consommé près de 99 % des ressources CPU.
• Interprétabilité : L'étude a fourni des explications explicites pour les décisions du modèle. Par exemple, lors de la classification du trafic bénin, le modèle a été montré supprimant les motifs non bénins via des votes de clauses négatives tout en activant des clauses positives pour les caractéristiques bénignes. Des cartes thermiques ont visualisé l'activation de clauses spécifiques pour différentes phases d'attaque, confirmant la dépendance du modèle à des règles logiques plutôt qu'à des poids opaques.

Signification et Revendications
L'article revendique que la combinaison de performances élevées de classification et d'une interprétabilité explicite rend l'IDS proposé basé sur la TM particulièrement bien adapté aux environnements de santé IoMT. Dans les secteurs où la confiance, la fiabilité, la sécurité et la prise de décision rapide sont critiques, la capacité d'expliquer pourquoi un flux de trafic spécifique a été signalé comme une attaque est aussi importante que la précision de la détection elle-même. Le déploiement réussi sur un Raspberry Pi valide davantage la pertinence du modèle pour une inférence en temps réel sur le dispositif dans des environnements aux ressources limitées, réduisant la dépendance aux systèmes cloud centralisés et permettant une mitigation immédiate des menaces. Les auteurs concluent que cette approche répond aux défis doubles de la détection d'attaques cybernétiques sophistiquées et multi-phasées et de la fourniture de la transparence nécessaire à l'adoption dans les infrastructures de santé critiques. Un travail futur est noté comme impliquant l'extension des évaluations à des jeux de données publics supplémentaires et auto-développés avec une plus grande variabilité d'attaques.