⚡ electrical engineering

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

यह शोध पत्र एक सिक्योरिटी-अवेयर बिट-मैप असिस्टेड बीएएन हाइब्रिड (SABMABAN-Hybrid) फ्रेमवर्क प्रस्तावित करता है जो स्वास्थ्य निगरानी के लिए आईओटी-आधारित वायरलेस बॉडी एरिया नेटवर्क में सुरक्षा और ऊर्जा दक्षता को बढ़ाने के लिए मशीन लर्निंग-आधारित हमले की संभावना के अनुमान को दो-स्तरीय IEEE 802.15.6/802.15.4 संचार आर्किटेक्चर के साथ एकीकृत करता है।

मूल लेखक: Meshari H. Alanazi

प्रकाशित 2026-06-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Meshari H. Alanazi

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका शरीर एक व्यस्त शहर है, और आपकी त्वचा से जुड़े छोटे सेंसर (जो आपके हृदय की गति, तापमान आदि को मापते हैं) उन नागरिकों की तरह हैं जो केंद्रीय नगर पालिका (टाउन हॉल) को दैनिक रिपोर्ट भेज रहे हैं। इस सेंसर नेटवर्क को वायरलेस बॉडी एरिया नेटवर्क (WBAN) कहा जाता है।

समस्या क्या है? यह शहर असुरक्षित है। ठीक वैसे ही जैसे एक वास्तविक शहर में होता है, बुरे तत्व (हैकर्स) अंदर घुसने, नागरिकों होने का ढोंग करने, या संचार लाइनों को बाधित करने की कोशिश कर सकते हैं। यदि वे सफल हो जाते हैं, तो वे आपके मेडिकल डेटा के साथ छेड़छाड़ कर सकते हैं या आपके सेंसरों की बैटरी खत्म कर सकते हैं, जिससे पूरा "शहर" बंद हो सकता है।

यह शोध पत्र इस शहर को चलाने का एक नया, अधिक स्मार्ट तरीका प्रस्तावित करता है जिसे SABMABAN-Hybrid कहा जाता है। यह कैसे काम करता है, इसे सरल भागों में यहाँ दिया गया है:

1. दो-स्तरीय शहर योजना (The Two-Layer City Plan)

लेखक चीजों को व्यवस्थित और सुरक्षित रखने के लिए एक दो-मंजिला संचार प्रणाली डिजाइन करते हैं:

ग्राउंड फ्लोर (शरीर के भीतर): यह वह जगह है जहाँ आपके सेंसर एक-दूसरे से बात करते हैं। वे एक बहुत ही विशिष्ट, कुशल भाषा का उपयोग करते हैं जिसे IEEE 802.15.6 कहा जाता है। इसे एक शांत, निजी पड़ोस के रूप में सोचें जहाँ पड़ोसी अपने स्वास्थ्य संबंधी आँकड़े एक स्थानीय समन्वयक (कोऑर्डिनेटर) को फुसफुसाकर बताते हैं।
दूसरी मंजिल (गेटवे): यह वह जगह है जहाँ स्थानीय समन्वयक इंटरनेट (क्लाउड) को एक बड़ा सारांश रिपोर्ट भेजता है, जिसके लिए वह एक अलग भाषा IEEE 802.15.4 का उपयोग करता है। यह नगर पालिका द्वारा राष्ट्रीय सरकार को पत्र भेजने जैसा है।

2. "सुरक्षा रडार" (मशीन लर्निंग)

पारंपरिक सुरक्षा प्रणालियाँ एक क्लब के बाउंसर की तरह काम करती हैं: "आप संदिग्ध लग रहे हैं? बाहर जाइए!" (हाँ/नहीं)। यह शोध पत्र मशीन लर्निंग (ML) का उपयोग करके एक स्मार्ट दृष्टिकोण का सुझाव देता है।

एक साधारण बाउंसर के बजाय, एक मौसम पूर्वानुमानकर्ता (Weather Forecaster) की कल्पना करें। ML मॉडल डेटा को देखता है और कहता है, "अभी तूफान (हमले) की 14% संभावना है।"

यह केवल "हमला" या "कोई हमला नहीं" नहीं कहता।
यह एक संभावना (Probability) की गणना करता है।
यदि जोखिम कम है, तो सिस्टम ढीला रहता है। यदि जोखिम अधिक है, तो सुरक्षा सख्त हो जाती है।

3. "ट्रैफिक लाइट" प्रणाली (अनुकूली शेड्यूलिंग)

यही सबसे चतुर हिस्सा है। सिस्टम उस "तूफान की संभावना" का उपयोग ट्रैफिक लाइट को नियंत्रित करने के लिए करता है।

सामान्य दिन (कम जोखिम): सिस्टम डेटा को स्वतंत्र रूप से और कुशलता से बहने देता है।
तूफानी दिन (उच्च जोखिम): सिस्टम बहुत सख्त हो जाता है। यह कुछ सेंसरों को निर्देश देता है कि वे "थोड़ी देर रुकें" और प्रतीक्षा करें, जबकि अन्य को डेटा भेजने के लिए एक विशेष "ग्रीन लाइट" मिलती है।

शोध पत्र इसे "बिट-मैप असिस्टेड" (Bit-Map Assisted) प्रणाली कहता है। एक मानचित्र की कल्पना करें जहाँ नगर पालिका एक ग्रिड बनाती है। केवल वे वर्ग जिनमें हरा टिक मार्क (सुरक्षा रडार द्वारा अनुमोदित) है, संदेश भेजने की अनुमति प्राप्त करते हैं। यह नेटवर्क को अनावश्यक या संदिग्ध डेटा से जाम होने से रोकता है।

4. ऊर्जा बचाना (बैटरी लाइफ)

वियरेबल हेल्थ टेक के साथ सबसे बड़ी चिंता यह है कि उनकी बैटरी बहुत जल्दी खत्म हो जाती है।

पुराना तरीका: सेंसर लगातार बात करते और सुनते रहते हैं, भले ही वह खतरनाक या अनावश्यक हो, जिससे उनके बैटरी की तरह फोन की स्क्रीन चालू छोड़ने पर बैटरी खत्म हो जाती है।
नया तरीका (यह शोध पत्र): क्योंकि सिस्टम जानता है कि कब बात करना सुरक्षित है और किसे बात करनी चाहिए, यह भारी मात्रा में ऊर्जा बचाता है। यह खाली कमरों में लाइट बंद करने जैसा है।

परिणाम:
लेखक ने कंप्यूटर सिमुलेशन चलाए (बौद्धिक क्षमता के लिए पायथन और ऊर्जा परीक्षण के लिए MATLAB का उपयोग करके) और पाया कि:

"मस्तिष्क" (मशीन लर्निंग) हमले के समय का अनुमान लगाने में काफी अच्छा था (लग लगभग 68% सटीकता, जो इस प्रकार के जटिल डेटा के लिए अच्छी है)।
"शहर" (नेटवर्क) ने बहुत अधिक बैटरी पावर बचाई। जब मरीजों या सेंसरों की संख्या अधिक थी, तब नए सिस्टम ने पुराने मानक तरीकों की तुलना में 80% तक कम ऊर्जा का उपयोग किया।

सारांश

संक्षेप में, यह शोध पत्र स्वास्थ्य निगरानी प्रणाली का एक ऐसा प्रस्ताव देता है जो केवल अंधाधुंध डेटा नहीं भेजता। यह हमले की भविष्यवाणी करने के लिए एक स्मार्ट AI "मौसम पूर्वानुमान" का उपयोग करता है। उस पूर्वानुमान के आधार पर, यह एक स्मार्ट ट्रैफिक पुलिस की तरह कार्य करता है, जो केवल तभी डेटा को गुजरने देता है जब वह सुरक्षित और आवश्यक हो। यह नेटवर्क को सुरक्षित रखता है और सबसे महत्वपूर्ण बात यह है कि यह सेंसरों की बैटरी को बहुत लंबे समय तक जीवित रखता है ताकि मरीजों की निरंतर निगरानी की जा सके और उनके उपकरणों के बंद होने की चिंता न रहे।

तकनीकी सारांश: IoT-आधारित स्वास्थ्य निगरानी अनुप्रयोगों में बॉडी एरिया नेटवर्क संचार प्रोटोकॉल (802.15.6) के लिए सुरक्षा-जागरूक ML-विधि

समस्या विवरण
वायरलेस बॉडी एरिया नेटवर्क (WBANs) IoT-आधारित स्वास्थ्य निगरानी के लिए महत्वपूर्ण हैं, जो पहनने योग्य (wearable) और प्रत्यारोपित (implantable) सेंसरों के माध्यम से शारीरिक डेटा के निरंतर संचरण को सक्षम करते हैं। हालांकि, बढ़ती कनेक्टिविटी और डेटा ट्रांसमिशन की आवृत्ति ऊर्जा खपत और सुरक्षा संबंधी महत्वपूर्ण चुनौतियों को जन्म देती है। WBANs खुले वायरलेस चैनलों पर कार्य करते हैं जहाँ संसाधन-सीमित नोड्स होते हैं, जिससे वे रीप्ले अटैक (replay attacks), पहचान की चोरी (identity spoofing), दुर्भावनापूर्ण डेटा इंजेक्शन (malicious data injection) और ईव्सड्रॉपिंग (eavesdropping) के प्रति संवेदनशील हो जाते हैं।

जबकि मौजूदा साहित्य क्रिप्टोग्राफिक प्रमाणीकरण, ब्लॉकचेन-आधारित सत्यापन और फॉग/एज कंप्यूटिंग आर्किटेक्चर जैसे समाधान प्रदान करता है, वास्तविक समय के, संचार-परत घुसपैठ का पता लगाने (intrusion detection) में एक अंतराल बना हुआ है। अधिकांश वर्तमान दृष्टिकोण नियतात्मक (deterministic) सुरक्षा तंत्र या पोस्ट-हॉक विश्लेषण पर निर्भर करते हैं, जिनमें संभाव्यता के आधार पर हमले की संभावना का अनुमान लगाने की क्षमता का अभाव है। इसके अलावा, पहनने योग्य उपकरणों में सख्त ऊर्जा बाधाएं भारी सुरक्षा तंत्रों की तैनाती को सीमित करती हैं। एक विशिष्ट ढांचे की कमी है जो अनुकूलन योग्य, जोखिम-जागरूक ट्रांसमिशन को सक्षम करने के लिए IEEE 802.15.6 संचार प्रोटोकॉल में मशीन लर्निंग (ML)-आधारित हमले की संभावना के अनुमान को सीधे एकीकृत करता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र एक सिक्योरिटी-अवेयर बिट-मैप असिस्टेड BAN हाइब्रिड (SABMABAN-Hybrid) ढांचे का प्रस्ताव करता है। यह दृष्टिकोण ML-आधारित हमले की संभावना के अनुमान को एक ऊर्जा-कुशल दो-परत संचार आर्किटेक्चर के साथ एकीकृत करता है:

दो-परत आर्किटेक्चर:
- परत 1 (इंट्रा-बॉडी): यह एन्हांस्ड एक्सेस टाइम डिवीजन मल्टीपल एक्सेस (EATDMA) शेड्यूलिंग और एक लघु कंटेंशन एक्सेस पीरियड (CAP) के साथ IEEE 802.15.6 मानक का उपयोग करती है। यह परत पहनने योग्य बायोसेंसर्स और बॉडी एरिया नेटवर्क (BAN) कोऑर्डिनेटर के बीच संचार को संभालती है।
- लेयर 2 (गेटवे): यह एक बिटमैप-असिस्टेड शेड्यूलिंग तंत्र और एक बड़े CAP के साथ IEEE 802.15.4 मानक का उपयोग करती है ताकि कोऑर्डिनेटर से गेटवे/क्लाउड तक अपलिंक संचार के लिए ट्रांसमिशन स्लॉट आरक्षित किए जा सकें।
मशीन लर्निंग एकीकरण:
- ML मॉडल को स्वास्थ्य निगरानी डेटा (शारीरिक विशेषताएं जैसे हृदय गति, रक्तचाप, तापमान और SpO2) के साथ संचार-परत विशेषताओं पर प्रशिक्षित किया जाता है।
- सिस्टम बाइनरी वर्गीकरण के बजाय एक संभाव्य (probabilistic) दृष्टिकोण का उपयोग करता है। यह लॉजिस्टिक रिग्रेशन, सपोर्ट वेक्टर मशीन (SVM), रैंडम फॉरेस्ट, ग्रेडिएंट बूस्टिंग और मल्टी-लेयर परसेप्ट्रॉन (MLP) जैसे क्लासिफायर का उपयोग करके प्रत्येक संचार घटना के लिए हमले की संभावना ( $\hat{p}_i$ ) का अनुमान लगाता है।
- डेटासेट में क्लास असंतुलन (class imbalance) को संभालने के लिए एक थ्रेशोल्ड-अनुकूलित ML फ्रेमवर्क का उपयोग किया जाता है।
- अनुमानित हमले की संभावना को एक सुरक्षित ट्रांसमिशन संभावना ( $p_1$ ) में परिवर्तित किया जाता है, जो डेटा फॉरवर्डिंग को नियंत्रित करती है। यदि अनुमानित जोखिम अधिक है, तो सिस्टम संभावित खतरों को कम करने के लिए ट्रांसमिशन व्यवहार को अनुकूलित करता है।
गणितीय मॉडलिंग:
- फ्रेमवर्क हमले के संकेतक $A(t)$ और समझौता किए गए सिग्नल $r^*_i(t)$ को वैध ट्रांसमिशन प्लस एक गड़बड़ी (perturbation) टर्म के फलन के रूप में मॉडल करता है।
- IEEE 802.15.6 और IEEE 802.15.4 परतों के लिए ऊर्जा खपत मॉडल तैयार किए गए हैं, जिसमें CAP और कंटेंशन फ्री पीरियड (CFP) के दौरान ट्रांसमिशन, रिसेप्शन, आइडल लिसनिंग और बफर चेकिंग को शामिल किया गया है।
- कुल नेटवर्क ऊर्जा खपत ( $E_{SABMABAN}$ ) की गणना दोनों परतों की ऊर्जा को जोड़कर की जाती है, जिसे फ्रेम की संख्या और ML-व्युत्पन्न ट्रांसमिशन संभावना द्वारा नियंत्रित किया जाता है।

प्रमुख योगदान

ML और ऊर्जा मॉडल का एकीकरण: हमले की संभावना का अनुमान सीधे IEEE 802.15.6 WBAN संचार के ऊर्जा खपत मॉडल के साथ एकीकृत है, जो अनुकूलन योग्य सुरक्षा नियंत्रण की अनुमति देता है।
थ्रेशोल्ड-अनुकूलित ML फ्रेमवर्क: सटीक हमले की संभावना के अनुमान के लिए विशेष रूप से असंतुलित हेल्थकेयर डेटासेट को संभालने के लिए डिज़ाइन किया गया एक फ्रेमवर्क।
दो-परत सुरक्षित आर्किटेक्चर: एक हाइब्रिड सुरक्षित BAN आर्किटेक्चर का निर्माण जो अनुकूलन योग्य जोखिम मॉडलिंग के साथ IEEE 802.15.6 (इंट्रा-बॉडी) और IEEE 802.15.4 (गेटवे) को जोड़ता है।
व्यापक मूल्यांकन: अध्ययन सटीकता (Accuracy), प्रिसिजन (Precision), रिकॉल (Recall), F1-स्कोर, ROC-AUC और कन्फ्यूजन मैट्रिक्स का उपयोग करके प्रस्तावित मॉडल का मूल्यांकन करता है, साथ ही मौजूदा प्रोटोकॉल (BMABAN-Hybrid, BANTDMA, SABAN-EATDMA, EATDMABAN) के विरुद्ध ऊर्जा खपत का तुलनात्मक विश्लेषण भी करता है।

परिणाम
मूल्यांकन दो चरणों में किया गया था: पायथन-आधारित ML विश्लेषण और MATLAB-आधारित ऊर्जा सिमुलेशन।

ML प्रदर्शन: परीक्षण किए गए क्लासिफायर में से, मल्टी-लेयर परसेप्ट्रॉन (MLP) ने लगभग 0.68 की उच्चतम वर्गीकरण सटीकता प्राप्त की। जबकि प्रिसिजन मान अपेक्षाकृत कम (0.13–0.18) रहे, जो कुछ फाल्स पॉजिटिव की ओर संकेत करते हैं, SVM और लॉजिस्टिक रिग्रेशन ने उच्च रिकॉल मान (1.0 के करीब) प्राप्त किए, जो यह सुनिश्चित करते हैं कि संभावित हमले की घटनाओं को शायद ही कभी छोड़ा जाए। परिणामी हमले-जागरूक ट्रांसमिशन संभावना $p_1 = 0.14$ अनुमानित की गई।
ऊर्जा दक्षता: MATLAB सिमुलेशन ने प्रदर्शित किया कि प्रस्तावित SABMABAN-Hybrid प्रोटोकॉल विभिन्न नेटवर्क मापदंडों (प्रति चक्र सत्र, पैकेट आकार, घटना की संभावना, सेंसरों की संख्या, रोगियों की संख्या) के तहत मौजूदा योजनाओं की तुलना में ऊर्जा दक्षता में लगातार बेहतर प्रदर्शन करता है।
- जब रोगियों की संख्या बढ़कर 100 हो गई, तो प्रस्तावित विधि ने EATDMABAN की तुलना में लगभग 26.7% ऊर्जा की कमी और BANTDMA की तुलना में 45% की कमी हासिल की।
- जब प्रति रोगी सेंसरों की संख्या बढ़कर 24 हो गई, तो इस योजना ने BMABAN-Hybrid की तुलना में ऊर्जा खपत में लगभग 50% और BANTDMA की तुलना में लगभग 79.6% की कमी की।

महत्व और दावे
यह शोध पत्र दावा करता है कि सुरक्षा-जागरूक ट्रांसमिशन नियंत्रण के साथ हाइब्रिड शेड्यूलिंग तंत्र को एकीकृत करने से IoT-आधारित स्वास्थ्य निगरानी प्रणालियों की विश्वसनीयता और स्थिरता में उल्लेखनीय वृद्धि होती है। नियतात्मक सुरक्षा से संभाव्य हमले के अनुमान की ओर बढ़कर, यह ढांचा नेटवर्क को वास्तविक समय जोखिम मूल्यांकन के आधार पर डेटा फॉरवर्डिंग को अनुकूलित करने की अनुमति देता है।

लेखक का तर्क है कि यह दृष्टिकोण अनावश्यक ट्रांसमिशन को प्रभावी ढंग से कम करता है, जिससे दुर्भावनापूर्ण गतिविधियों का पता लगाने से समझौता किए बिना समग्र नेटवर्क ऊर्जा खपत कम होती है। अध्ययन निष्कर्ष निकालता है कि जबकि संसाधन-सीमित वातावरण में वास्तविक समय की दुर्भावनापूर्ण गतिविधियों का पता लगाने के लिए पारंपरिक क्रिप्टोग्राफिक दृष्टिकोण अपर्याप्त हैं, एक हल्का (lightweight), सुरक्षा-जागरूक ML फ्रेमवर्क इस अंतर को पाट सकता है। भविष्य के कार्य के रूप में वास्तविक IoT प्लेटफॉर्म में प्रोटोकॉल को लागू करने और बड़े पैमाने के वातावरण के लिए डीप लर्निंग-आधारित अनुकूलन योग्य घुसपैठ का पता लगाने के लिए ढांचे का विस्तार करने का प्रस्ताव दिया गया है।

1. दो-स्तरीय शहर योजना (The Two-Layer City Plan)

2. "सुरक्षा रडार" (मशीन लर्निंग)

3. "ट्रैफिक लाइट" प्रणाली (अनुकूली शेड्यूलिंग)

4. ऊर्जा बचाना (बैटरी लाइफ)

सारांश

इसी तरह के और पेपर