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

Sintesi Tecnica: Metodo ML-Aware per il Protocollo di Comunicazione della Body Area Network (802.15.6) in Applicazioni di Monitoraggio Sanitario basate su IoT

Problematica
Le Wireless Body Area Networks (WBAN) sono critiche per il monitoraggio sanitario basato su IoT, consentendo la trasmissione continua di dati fisiologici tramite sensori indossabili e impiantabili. Tuttavia, l'aumento della connettività e della frequenza di trasmissione dei dati introduce vulnerabilità di sicurezza significative e sfide nel consumo energetico. Le WBAN operano su canali wireless aperti con nodi dalle risorse limitate, rendendole suscettibili ad attacchi di replay, spoofing dell'identità, iniezione di dati malevoli e intercettazioni (eavesdropping).

Sebbene la letteratura esistente offra soluzioni quali l'autenticazione crittografica, la validazione basata su blockchain e architetture fog/edge computing, rimane un vuoto nella rilevazione delle intrusioni a livello di comunicazione in tempo reale. La maggior parte degli approcci attuali si affida a meccanismi di sicurezza deterministici o analisi post-hoc, mancando della capacità di stimare la probabilità di attacco in modo probabilistico. Inoltre, i severi vincoli energetici nei dispositivi indossabili limitano l'implementazione di pesanti meccanismi di sicurezza. Esiste una specifica mancanza di framework che integrino la stima della probabilità di attacco basata sul machine learning (ML) direttamente nei protocolli di comunicazione IEEE 802.15.6 per abilitare una trasmissione adattiva e consapevole del rischio.

Metodologia
Il documento propone un framework denominato Security-Aware Bit-Map Assisted BAN Hybrid (SABMABAN-Hybrid). Questo approccio integra la stima della probabilità di attacco basata su ML con un'architettura di comunicazione a due livelli efficiente dal punto di vista energetico:

1. Architettura a due livelli:

   • Livello 1 (Intra-body): Utilizza lo standard IEEE 802.15.6 con scheduling Enhanced Access Time Division Multiple Access (EATDMA) e un breve periodo di accesso per contesa (Contention Access Period - CAP). Questo livello gestisce la comunicazione tra i biosensori indossabili e il coordinatore della Body Area Network (BAN).
   • Livello 2 (Gateway): Utilizza lo standard IEEE 802.15.4 con un meccanismo di scheduling assistito da bitmap e un CAP più ampio per riservare slot di trasmissione per la comunicazione uplink dal coordinatore al gateway/cloud.

2. Integrazione del Machine Learning:

   • I modelli ML sono addestrati su dati di monitoraggio sanitario (caratteristiche fisiologiche come frequenza cardiaca, pressione sanguigna, temperatura e SpO2) combinati con attributi del livello di comunicazione.
   • Il sistema impiega un approccio probabilistico piuttosto che una classificazione binaria. Stima la probabilità di attacco ($\hat{p}_i$) per ogni istanza di comunicazione utilizzando classificatori quali Logistic Regression, Support Vector Machines (SVM), Random Forest, Gradient Boosting e Multi-Layer Perceptron (MLP).
   • Viene utilizzato un framework ML ottimizzato per le soglie per gestire lo sbilanciamento delle classi nel dataset.
   • La probabilità di attacco stimata viene convertita in una probabilità di trasmissione sicura ($p_1$), che controlla l'inoltro dei dati. Se il rischio stimato è elevato, il sistema adatta il comportamento di trasmissione per mitigare potenziali minacce.

3. Modellazione Matematica:

   • Il framework modella l'indicatore di attacco $A(t)$ e il segnale compromesso $r^*_i(t)$ come una funzione della trasmissione legittima più un termine di perturbazione.
   • I modelli di consumo energetico sono formulati per entrambi i livelli IEEE 802.15.6 e IEEE 802.15.4, tenendo conto di trasmissione, ricezione, ascolto inattivo (idle listening) e controllo del buffer durante il CAP e il periodo privo di contesa (Contention Free Period - CFP).
   • Il consumo energetico totale della rete ($E_{SABMABAN}$) è calcolato combinando l'energia di entrambi i livelli, modulata dal numero di frame e dalla probabilità di trasmissione derivata dal ML.

Contributi Chiave

• Integrazione di Modelli ML ed Energetici: La stima della probabilità di attacco è direttamente integrata con il modello di consumo energetico della comunicazione WBAN IEEE 802.15.6, consentendo un controllo della sicurezza adattivo.
• Framework ML Ottimizzato per le Soglie: Sviluppo di un framework specificamente progettato per gestire dataset sanitari sbilanciati per una precisa stima della probabilità di attacco.
• Architettura Sicura a Due Livelli: Creazione di un'architettura ibrida di BAN sicura che combina IEEE 802.15.6 (intra-body) e IEEE 802.15.4 (gateway) con modellazione del rischio adattiva.
• Valutazione Completa: Lo studio valuta il modello proposto utilizzando Accuracy, Precision, Recall, F1-score, ROC-AUC e Confusion Matrix, insieme a un'analisi comparativa del consumo energetico rispetto agli altri protocolli (BMABAN-Hybrid, BANTDMA, SABAN-EATDMA, EATDMABAN).

Risultati
La valutazione è stata condotta in due fasi: analisi ML basata su Python e simulazione energetica basata su MATLAB.

• Performance del ML: Tra i classificatori testati, il Multi-Layer Perceptron (MLP) ha ottenuto la massima accuratezza di classificazione di circa 0,68. Sebbene i valori di Precision siano stati relativamente bassi (0,13–0,18) in tutti i modelli, indicando alcuni falsi positivi, SVM e Logistic Regression hanno ottenuto alti valori di Recall (avvicinandosi a 1,0), garantendo che i potenziali eventi di attacco siano raramente persi. La risultante probabilità di trasmissione consapevole dell'attacco è stata stimata a $p_1 = 0,14$.
• Efficienza Energetica: Le simulazioni MATLAB hanno dimostrato che il protocollo SABMABAN-Hybrid supera costantemente gli schemi esistenti in termini di efficienza energetica attraverso vari parametri di rete (sessioni per ciclo, dimensione del pacchetto, probabilità di evento, numero di sensori, numero di pazienti).
  • Quando il numero di pazienti è aumentato a 100, il metodo proposto ha ottenuto una riduzione energetica di circa il 26,7% rispetto a EATDMABAN e una riduzione del 45% rispetto a BANTDMA.
  • Quando il numero di sensori è aumentato a 24 per paziente, lo schema ha ridotto il consumo energetico di quasi il 50% rispetto a BMABAN-Hybrid e di circa il 79,6% rispetto a BANTDMA.

Significatività e Rivendicazioni
L'articolo sostiene che l'integrazione del controllo della trasmissione consapevole della sicurezza con i meccanismi di scheduling ibridi migliori significativamente l'affidabilità e la sostenibilità dei sistemi di monitoraggio sanitario basati su IoT. Passando dalla sicurezza deterministica alla stima probabilistica dell'attacco, il framework consente alla rete di controllare adattivamente l'inoltro dei dati in base alla valutazione del rischio in tempo reale.

Gli autori affermano che questo approccio riduce efficacementamente le trasmissioni non necessarie, abbassando così il consumo energetico complessivo della rete senza compromettere la rilevazione delle attività malevole. Lo studio conclude che, mentre gli approcci crittografici tradizionali sono insufficienti per la rilevazione in tempo reale di attività malevole in ambienti con risorse limitate, un framework ML leggero e consapevole della sicurezza può colmare questo divario. Il lavoro futuro proposto prevede l'implementazione del protocollo in piattaforme IoT reali e l'estensione del framework con l'intrusione adattiva basata sul deep learning per ambienti su larga scala.