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

आधुनिक अस्पतालों में, इलेक्ट्रॉनिक बीप और चमकती रोशनी की एक निरंतर धारा मरीजों के महत्वपूर्ण संकेतों (वाइटल साइन्स) की निगरानी करती है। ये उपकरण, जो 'इंटरनेट ऑफ मेडिकल थिंग्स' (IoMT) के रूप में जानी जाने वाली एक जुड़ी हुई नेटवर्क का हिस्सा हैं, अविश्वसनीय सटीकता के साथ दिल की धड़कन और रक्त प्रवाह को मापते हैं। हालाँकि, यह डिजिटल सतर्कता एक भ्रमित करने वाली समस्या का सामना करती है: जब कोई अलार्म बजता है, तो अक्सर यह बताना असंभव होता है कि वह क्यों बजा। मरीज वास्तव में बिगड़ सकता है, कोई सेंसर ढीला हो सकता है या अपने अंशांकन (कैलिब्रेशन) से भटक सकता है, या कोई हैकर गुप्त रूप से डेटा को बदल सकता है ताकि एक स्वस्थ मरीज बीमार दिखाई दे। बिस्तर के पास खड़े डॉक्टर के लिए, यह अस्पष्टता खतरनाक है। मशीन की त्रुटि को चिकित्सा आपातकाल मानकर उपचार करना समय और संसाधनों को बर्बाद करता है, लेकिन एक वास्तविक हमले या वास्तविक संकट को अनदेखा करना जीवन की कीमत चुका सकता है। मुख्य चुनौती केवल यह नोटिस करना नहीं है कि कुछ गलत है, बल्कि यह समझना है कि अलार्म का कारण वास्तव में क्या था।

इसे हल करने के लिए, यूनिवर्सिटी ऑफ मैरीलैंड, बाल्टीमोर काउंटी के शोधकर्ताओं ने IoMT-SecAlarmBench नामक एक नया परीक्षण क्षेत्र बनाया। वास्तविक हमलों के होने का इंतजार करने के बजाय—जो कि अस्पताल में सीधे अध्ययन करने के लिए बहुत जोखिम भरा परिदृश्य है—उन्होंने एक नियंत्रित वातावरण बनाया जहाँ वे वास्तविक रोगी डेटा में विशिष्ट प्रकार की गड़बड़ी डाल सकते थे। उन्होंने हजारों मरीजों के दिल की धड़कन और रक्त प्रवाह की वास्तविक रिकॉर्डिंग ली और सावधानीपूर्वक चार अलग-अलग प्रकार की डिजिटल छेड़छाड़ पेश की। कुछ हमले सूक्ष्म थे, जो ऐसे गलत नंबर शामिल करते थे जो बिल्कुल सामान्य दिखते थे। अन्य अधिक स्पष्ट थे, जैसे किसी सेंसर रीडिंग को फ्रीज कर देना या घंटों पहले की पुरानी धड़कन को दोबारा चलाना (रीप्ले करना)। महत्वपूर्ण रूप से, क्योंकि शोधकर्ताओं ने स्वयं ये समस्याएँ बनाई थीं, वे सटीक सत्य जानते थे: वे जानते थे कि डेटा के कौन से हिस्से वास्तविक थे, कौन से दोषपूर्ण थे, और कौन से हैक किए गए थे, और उन्होंने उस सिग्नल की एक प्रति भी रखी थी कि यदि हमला कभी हुआ ही न होता तो वह कैसा दिखता। यह "प्रतितथ्यात्मक" (counterfactual) सत्य, यानी जो होता, उसका एक रिकॉर्ड, जो कोई भी प्राकृतिक डेटासेट कभी प्रदान नहीं कर पाया है।

टीम ने इन विसंगतियों को पहचानने के लिए डिज़ाइन किए गए छह अलग-अलग कंप्यूटर प्रोग्रामों का परीक्षण किया। वे यह देखना चाहते थे कि क्या ये प्रोग्राम न केवल यह पहचान सकते हैं कि एक अलार्म ट्रिगर हुआ है, बल्कि यह भी सही ढंग से पहचान सकते हैं कि कारण साइबर हमला था, टूटा हुआ सेंसर था, या कोई वास्तविक चिकित्सा घटना थी। परिणामों ने वर्तमान तकनीक की एक महत्वपूर्ण सीमा को उजागर किया। जबकि प्रोग्राम स्पष्ट, सीमा से बाहर की त्रुटियों को पकड़ने में काफी अच्छे थे, वे सबसे खतरनाक परिदृश्यों के साथ संघर्ष करते दिखे। जब डेटा को पूरी तरह से यथार्थवादी दिखाने के लिए बदला गया था, जैसे कि वर्तमान समस्या को छिपाने के लिए पुरानी धड़कन को रीप्ले करना, तो डिटेक्टरों का प्रदर्शन रैंडम अनुमान लगाने से बेहतर नहीं था। वे एक वास्तविक शारीरिक घटना और एक परिष्कृत हमले के बीच अंतर नहीं कर सके।

शायद सबसे खुलासा करने वाला निष्कर्ष हमलों को पकड़ने और गलत अलार्म (फॉल्स अलार्म) से बचने के बीच का समझौता था। सबसे अच्छा प्रदर्शन करने वाला प्रोग्राम कठिन प्रकार के हमलों को पकड़ने में सक्षम था, लेकिन उसने इसकी एक उच्च कीमत चुकाई। हर बार जब इसने एक साइबर हमले को सही ढंग से चिह्नित किया, तो इसने एक हानिरहित सेंसर ग्लिच को हमले के रूप में पांच से अधिक बार गलती से लेबल किया। यह सुझाव देता है कि जिन विशेषताओं का उपयोग ये प्रोग्राम हैकर्स को खोजने के लिए करते हैं—जैसे विभिन्न शारीरिक संकेतों के बीच विसंगतियों को देखना—वही विशेषताएं उन्हें एक हैकर और एक ढीले तार के बीच अंतर करने में कठिन बनाती हैं। अध्ययन ने यह भी उजागर किया कि चिकित्सा उपकरणों के हमलों का पता लगाने का दावा करने वाले कुछ पिछले शोध संभवतः डेटा में मौजूद सरल सुरागों, जैसे कि विशिष्ट डिवाइस आईडी या नेटवर्क एड्रेस, द्वारा मूर्ख बना दिए गए थे, न कि वास्तव में चिकित्सा संकेतों को समझकर। इन आसान शॉर्टकटों को हटाकर, नए बेंचमार्क ने दिखाया कि मौजूदा तरीके पहले की तुलना में बहुत कम प्रभावी हैं।

अंततः, यह कार्य कोई पूर्ण समाधान प्रदान नहीं करता है बल्कि वर्तमान परिदृश्य का एक स्पष्ट मानचित्र प्रस्तुत करता है। यह प्रदर्शित करता है कि हालांकि हम ऐसी प्रणालियाँ बना सकते हैं जो यह नोटिस करें कि कुछ गलत है, लेकिन हमने अभी तक यह समझने की कला में महारत हासिल नहीं की है कि वह क्यों है। शोधकर्ताओं ने पाया कि एक बीमार मरीज, एक टूटी हुई मशीन और एक दुर्भावनापूर्ण अभिनेता के बीच अंतर करना एक गहन चुनौती बनी हुई है, जिसके लिए सरल पैटर्न मिलान से आगे बढ़कर कारण और प्रभाव की गहरी समझ की आवश्यकता है। उनका नया बेंचमार्क भविष्य के उपकरणों का परीक्षण करने के लिए एक कठोर तरीका प्रदान करता है, यह सुनिश्चित करता है कि जब हम अंततः रोगियों की रक्षा के लिए सिस्टम बनाएंगे, तो उन्हें उनकी सच्चाई बताने की क्षमता पर परखा जाए, न कि केवल अलार्म बजाने की क्षमता पर।