IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT

Dans les hôpitaux modernes, un flux constant de bips électroniques et de lumières clignotantes surveille les signes vitaux des patients. Ces dispositifs, qui font partie d'un réseau connecté connu sous le nom d'Internet des Objets Médicaux (IoMT), mesurent les battements de cœur et le flux sanguin avec une précision incroyable. Cependant, cette vigilance numérique est confrontée à un problème déroutant : lorsqu'une alarme retentit, il est souvent impossible de savoir pourquoi. Le patient pourrait être réellement en train de s'aggraver, un capteur pourrait s'être desserré ou s'être décalibré, ou un pirate informatique pourrait avoir secrètement modifié les données pour faire passer un patient en bonne santé pour un patient malade. Pour un médecin debout au chevet du lit, cette ambiguïté est dangereuse. Traiter une erreur de machine comme une urgence médicale gaspille du temps et des ressources, mais ignorer une véritable attaque ou une véritable crise pourrait coûter une vie. Le défi central n'est pas seulement de remarquer que quelque chose ne va pas, mais de comprendre exactement ce qui a provoqué l'alarme à l'origine.

Pour résoudre cela, des chercheurs de l'Université du Maryland, Baltimore County, ont créé un nouveau terrain d'essai appelé IoMT-SecAlarmBench. Au lieu d'attendre que de véritables attaques se produisent dans un hôpital — un scénario trop risqué pour être étudié directement — ils ont construit un environnement contrôlé où ils pouvaient injecter des types spécifiques de problèmes dans de réelles données de patients. Ils ont pris des enregistrements authentiques de battements de cœur et de flux sanguins provenant de milliers de patients et ont soigneusement introduit quatre types différents de manipulations numériques. Certaines attaques étaient subtiles, glissant de faux chiffres qui semblaient parfaitement normaux. D'autres étaient plus évidentes, comme le gel de la lecture d'un capteur ou la relecture d'un battement de cœur datant de plusieurs heures auparavant. Crucialement, parce que les chercheurs ont créé ces problèmes eux-mêmes, ils connaissaient la vérité exacte : ils savaient quels segments de données étaient réels, lesquels étaient défectueux et lesquels avaient été piratés, et ils ont même conservé une copie de ce à quoi le signal aurait ressemblé si l'attaque n'avait jamais eu lieu. Cette vérité « contrefactuelle », un enregistrement de ce qui aurait dû être, est une chose qu'aucun ensemble de données naturel n'a jamais fournie.

L'équipe a ensuite testé six programmes informatiques différents conçus pour détecter ces anomalies. Ils voulaient voir si ces programmes pouvaient non seulement détecter qu'une alarme était déclenchée, mais aussi identifier correctement si la cause était une cyberattaque, un capteur défectueux ou un événement médical réel. Les résultats ont révélé une limitation significative de la technologie actuelle. Bien que les programmes aient été raisonnablement bons pour repérer les erreurs évidentes hors limites, ils ont énormément peiné face aux scénarios les plus dangereux. Lorsque les données étaient altérées pour paraître parfaitement réalistes, comme lorsqu'un ancien battement de cœur était rejoué pour masquer un problème actuel, les détecteurs ne performaient pas mieux qu'un choix aléatoire. Ils ne pouvaient pas distinguer un événement physiologique authentique d'une attaque sophistiquée.

La découverte peut-être la plus révélatrice fut un arbitrage entre la détection des attaques et l'évitement des fausses alertes. Le programme le plus performant était capable de repérer les types d'attaques les plus difficiles, mais il le faisait au prix d'un coût élevé. Pour chaque fois qu'il signalait correctement une cyberattaque, il étiquetait par erreur un simple incident de capteur comme une attaque plus de cinq fois. Cela suggère que les caractéristiques mêmes que ces programmes utilisent pour trouver des pirates — chercher des incohérences entre différents signaux corporels — sont les mêmes caractéristiques qui rendent difficile la distinction entre un pirate et un fil desserré. L'étude a également révélé que certaines recherches antérieures prétendant détecter des attaques sur les dispositifs médicaux étaient probablement trompées par des indices simples dans les données, tels que l'identifiant spécifique de l'appareil ou l'adresse réseau, plutôt que par une compréhension réelle des signaux médicaux. En supprimant ces raccourcis faciles, le nouveau benchmark a montré que de nombreuses méthodes existantes sont bien moins efficaces que ce que l'on pensait précédemment.

En fin de compte, ce travail n'offre pas une solution parfaite, mais plutôt une carte claire du paysage actuel. Il démontre que, si nous pouvons construire des systèmes pour remarquer que quelque chose ne va pas, nous n'avons pas encore maîtrisé l'art de comprendre pourquoi. Les chercheurs ont constaté que distinguer un patient malade, une machine défectueuse et un acteur malveillant reste un défi profond, qui nécessite de dépasser la simple reconnaissance de formes pour une compréhension plus profonde de la cause et de l'effet. Leur nouveau benchmark fournit un moyen rigoureux de tester les outils futurs, garantissant que lorsque nous construirons enfin des systèmes pour protéger les patients, ils soient jugés sur leur capacité à dire la vérité, et non seulement sur leur capacité à déclencher une alarme.