A Federated Graph-Based Intrusion Detection Framework for Unknown Attack Detection in Internet of Medical Things(IoMT)

इंटरनेट ऑफ मेडिकल थिंग्स (IoMT) की कल्पना एक हलचल भरे, हाई-टेक अस्पताल के रूप में करें जहाँ सब कुछ आपस में जुड़ा हुआ है। स्मार्ट हार्ट मॉनिटर और इंसुलिन पंप से लेकर पहनने योग्य फिटनेस ट्रैकर्स तक, ये उपकरण लगातार एक-दूसरे से बात करते हैं, जिससे मरीजों को सुरक्षित रखने के लिए महत्वपूर्ण डेटा साझा किया जाता है। यह स्वास्थ्य सेवा के लिए एक डिजिटल तंत्रिका तंत्र (डिजिटल नर्वस सिस्टम) की तरह है, जो डॉक्टरों को अधिक तेज़ और देखभाल को अधिक सटीक बनाता है। लेकिन ठीक वैसे ही जैसे एक वास्तविक तंत्रिका तंत्र को वायरस द्वारा नियंत्रित किया जा सकता है, यह डिजिटल नेटवर्क भी उन साइबर अपराधियों के प्रति संवेदनशील है जो रहस्य चुराना चाहते हैं या जीवन रक्षक उपकरणों को बंद करना चाहते हैं।

इन डिजिटल चोरों को पकड़ने के लिए, सुरक्षा विशेषज्ञ "इंट्रूज़न डिटेक्शन सिस्टम" (IDS) का उपयोग करते हैं। एक IDS को अस्पताल के नेटवर्क के माध्यम से बहने वाले ट्रैफ़िक पर नज़र रखने वाले एक अत्यंत बुद्धिमान सुरक्षा गार्ड के रूप में समझें। पारंपरिक गार्ड पहले से देखी गई चेहरों की सूची की जाँच करके ज्ञात बुरे लोगों को ढूंढते हैं। लेकिन क्या होता है जब कोई नया, अज्ञात अपराधी वेश बदलकर आता है? पुराने गार्ड भ्रमित हो जाते हैं। साथ ही, एक वास्तविक अस्पताल में, सुरक्षा गार्ड यह सीखने के लिए सभी के निजी मेडिकल रिकॉर्ड नहीं देख सकता; अन्यथा यह गोपनीयता का बड़ा उल्लंघन होगा। चुनौती एक ऐसा सुरक्षा गार्ड बनाने की है जो मरीजों के निजी डेटा को देखे बिना नए, अज्ञात हमलों को पहचानने के लिए पर्याप्त स्मार्ट हो।

यह शोध पत्र एक चतुर नया समाधान पेश करता है जिसे "फेडरेटेड ग्राफ-बेस्ड इंट्रूज़न डिटेक्शन फ्रेमवर्क" कहा जाता है। यह गोपनीयता और "अज्ञात हमले" की समस्याओं को हल करने के लिए तीन शक्तिशाली विचारों को जोड़ता है। सबसे पहले, डेटा को एक साधारण सूची के रूप में देखने के बजाय, यह नेटवर्क ट्रैफ़िक को एक सोशल नेटवर्क ग्राफ की तरह मानता है, जहाँ उपकरण 'लोग' हैं और उनके संबंध 'दोस्ती' हैं। यह प्रणाली को यह देखने में मदद करता है कि उपकरण एक-दूसरे के साथ कैसे बातचीत करते हैं, जिससे यह पहचानना आसान हो जाता है कि कब उपकरणों का एक समूह मिलकर अजीब व्यवहार करने लगता है। दूसरा, यह फेडरेटेड लर्निंग का उपयोग करता है, जो एक साथ परीक्षा के लिए अध्ययन करने वाले छात्रों के समूह की तरह है जिन्होंने कभी भी अपनी वास्तविक नोटबुक साझा नहीं की है। प्रत्येक अस्पताल अपने स्थानीय डेटा पर अपना स्वयं का सुरक्षा मॉडल प्रशिक्षित करता है, और वे केवल "सीखे गए सबक" (गणितीय अपडेट) को एक केंद्रीय शिक्षक के साथ साझा करते हैं, जिससे सभी रोगी रिकॉर्ड निजी रहते हैं। अंत में, प्रणाली इन सोशल ग्राफों का विश्लेषण करने के लिए ग्राफ कनवल्शनल नेटवर्क (GCN) और ग्राफ अटेंशन नेटवर्क (GAT) जैसे उन्नत गणित का उपयोग करती है, जो प्रणाली को हमले के "आकार" को पहचानने में मदद करती है, भले ही उसने उस विशिष्ट हमले को पहले कभी न देखा हो।

शोधकर्ताओं ने अपने नए सिस्टम को प्रशिक्षित करने के लिए चिकित्सा नेटवर्क ट्रैफ़िक के एक विशाल डेटासेट CICIoMT2024 का उपयोग किया। यह देखने के लिए कि क्या यह वास्तव में अज्ञात को संभाल सकता है, उन्होंने केवल उसी डेटा पर परीक्षण नहीं किया; उन्होंने इसके बजाय एक अलग डेटासेट CIC-DIAD2024 से हमलों का एक पूरी तरह से अलग सेट इस पर फेंका, विशेष रूप से "मिराई" (Mirai) हमलों पर ध्यान केंद्रित किया जिनका सामना मॉडल ने प्रशिक्षण के दौरान कभी नहीं किया था। परिणाम प्रभावशाली थे: "अच्छे" ट्रैफ़िक से "बुरे" ट्रैफ़िक को अलग करने के एक सरल परीक्षण में, प्रणाली ने 99.65% सटीकता दर हासिल की। जब कार्य कठिन हो गया और इसमें ट्रैफ़िक को छह अलग-अलग हमलों की श्रेणियों में वर्गीकृत करने की आवश्यकता थी, तब भी इसने 90.64% की सटीकता दर बनाए रखी।

यह शोध पत्र स्पष्ट रूप से केवल पुराने तरीकों जैसे कि मानक डीप लर्निंग (CNNs) पर निर्भर रहने के विरुद्ध तर्क देता है जो डेटा बिंदुओं को अलग-थलग द्वीपों के रूप में देखते हैं, या पारंपरिक केंद्रीकृत लर्निंग के विरुद्ध जो सभी निजी रोगी डेटा को एक सर्वर पर डालने की मांग करता है। लेखक सुझाव देते हैं कि उनका दृष्टिकोण श्रेष्ठ है क्योंकि यह डिज़ाइन द्वारा गोपनीयता बनाए रखता है और नए, अनदेखे खतरों के प्रति बहुत बेहतर तरीके से सामान्यीकरण (generalize) करता है। उन्होंने अपने परिणामों को व्यापक प्रयोगों और क्रॉस-डेटासेट सत्यापन के माध्यम से मापा, जिससे दिखाया कि उनकी विधि सुदृढ़ है। हालाँकि यह प्रणाली इन परीक्षणों में अत्यधिक प्रभावी है, लेखक नोट करते हैं कि भविष्य के कार्यों को यह पता लगाने की आवश्यकता होगी कि यह और भी जटिल प्रतिकूल हमलों और विभिन्न वास्तविक दुनिया के परिदृश्यों को कैसे संभालती है। अंततः, यह फ्रेमवर्क भविष्य की जुड़ी हुई स्वास्थ्य सेवा को साइबर खतरों की अगली लहर से बचाने के लिए एक आशाजनक, गोपनीयता-अनुकूल तरीका प्रदान करता है।