On-Device Interpretable Tsetlin Machine-Based Intrusion Detection for Secure IoMT

技術的概要：IoMT 向けセキュアなオンデバイス解釈可能ツェトリンマシンベースの侵入検知

問題定義
インターネット対応医療機器のインターネット・オブ・メディカル・シングス（IoMT）への急速な統合は、継続的かつリアルタイムな患者モニタリングを可能にした一方で、同時に重大なサイバーセキュリティリスクをもたらした。極めて機微な健康データを送信するこれらの機器は、患者の安全性、プライバシー、システム機能に損害を与える可能性のある高度なサイバー攻撃の格好の標的となっている。侵入検知システム（IDS）はネットワークトラフィックの監視の標準となっているが、従来のシグネチャベースおよび異常検知ベースのアプローチは、IoMT 環境の動的性質と新興の脅威に対して苦戦している。さらに、既存の機械学習（ML）および深層学習（DL）ソリューションはしばしば「ブラックボックス」として動作し、信頼性が極めて重要な医療アプリケーションに必要な解釈性が欠如している。加えて、多くの高性能モデルは、IoMT ネットワークにおけるリアルタイムかつ低遅延の検知に不可欠な、リソース制約のあるエッジデバイスへの展開には計算量が過度に多すぎる。

手法
本論文は、ルール駆動型の解釈可能な ML アプローチであるツェトリンマシン（TM）に基づく、革新的なオンデバイスの侵入検知システム（IDS）を提案する。手法は以下の 3 つの主要段階に構成されている：

1. データ準備：システムは、MedSec-25 データセットを利用する。これは、MITRE ATT&CK フレームワークに基づく、 benign な操作と 4 つの異なるサイバー攻撃フェーズ（偵察、初期アクセス、横移動、情報漏洩）を含む、現実的な IoMT トラフィックをシミュレートしたものである。データセットには 84 のフローベース特徴量を持つ 554,534 サンプルが含まれている。前処理には、欠損値の処理、データの正規化、クラス不均衡への対応が含まれる。TM モデルについては、訓練セットに合成少数類過剰サンプリング技術（SMOTE）を適用し、ML ベースラインにはクラス重み付けを使用する。重要なのは、連続特徴量を TM の論理アーキテクチャに適合させるため、ビンナライザー（KBinsDiscretizer）を用いてバイナリ入力に変換することである。
2. モデル訓練：システムの核心は、攻撃パターンを表現するために命題論理を用いて解釈可能な連言節を構築するツェトリンマシンである。このモデルは、誤差の最小化だけでなく、頻出パターン学習を通じて反復するパターンを特定することで学習する。制御されたスパース性を導入し、無関係な特徴量の影響を軽減するため、スパースツェトリンマシン（STM）バリアントも評価される。訓練プロセスには、ロバスト性の確保と過学習の防止のためのハイパーパラメータ調整、節の形成、k フォールド交差検証が含まれる。
3. エッジ展開：リアルタイム推論能力を検証するため、訓練済みモデルはリソース制約のあるエッジデバイスである Raspberry Pi 5 に展開される。システムはネットワークトラフィックを捕捉し、フローベース特徴量に変換し、データを前処理および二値化して、オンデバイスで分類を行い、トラフィックを benign または悪意のあるものとしてラベル付けする。

主要な貢献
本論文は、以下の 5 つの主要な貢献を概説する：

• IoMT 環境におけるサイバー攻撃のさまざまなフェーズを検知可能な、効果的な TM ベースの IDS の開発。
• MedSec-25 データセットを用いたマルチクラス設定における IDS の包括的な評価。
• 提案された IDS が、決定木、ランダムフォレスト、XGBoost、LightGBM、KNN、ナイーブベイズ、ロジスティック回帰、ニューラルネットワークを含む最先端の ML 手法を上回ることを示す数値的証拠。
• 特徴量レベルの寄与、クラスごとの投票スコア、節活性化ヒートマップなど、特定の決定ルールを明らかにする解釈性分析により、透明性を向上させること。
• Raspberry Pi 上での成功したエッジ展開により、攻撃検知のためのリアルタイム・オンデバイス推論の実現可能性を実証すること。

結果
MedSec-25 データセットにおける広範な評価により、以下の結果が得られた：

• 分類性能：提案された TM モデルは、すべてのテストされた分類器の中で最高の性能を達成し、F1 スコアは97.83%、適合率と再現率はそれぞれ 97.87% および 97.83% であった。スパース TM（STM）バリアントは、97.33% の競争力のある F1 スコアを達成した。
• 比較：TM はすべてのベースライン ML モデルを上回った。例えば、XGBoost は高い再現率（97.97%）を達成したが、適合率は低く（91.75%）、その結果 F1 スコアは低かった（94.47%）。ナイーブベイズやロジスティック回帰などの従来のモデルは、はるかに悪い性能を示した（F1 スコアはそれぞれ 44.76% および 61.19%）。
• 推論時間：ホストマシン（MacBook M4）において、TM は推論あたり 66.24 µs を要したが、これはロジスティック回帰（0.05 µs）より高いものの、他の複雑なモデルと比較して競争力があった。Raspberry Pi 5 上では、TM の推論時間は 230.44 µs、STM は 222.76 µs に増加した。
• リソース効率：エッジデバイスにおいて、TM と STM は中程度の CPU 使用率（約 25-26%）と管理可能なメモリ使用率を維持し、ほぼ 99% の CPU リソースを消費した XGBoost や LightGBM とは対照的であった。
• 解釈性：本研究はモデルの決定に対する明示的な説明を提供した。例えば、benign なトラフィックを分類する際、モデルは負の節投票を通じて非 benign なパターンを抑制し、benign な特徴量に対して正の節を活性化することが示された。ヒートマップは、異なる攻撃フェーズに対する特定の節の活性化を可視化し、モデルが不透明な重みではなく論理ルールに依存していることを確認させた。

意義と主張
本論文は、高い分類性能と明示的な解釈性の組み合わせが、提案された TM ベースの IDS を IoMT 医療環境に特に適しているとしている。信頼性、信頼性、安全性、タイムリーな意思決定が重要な分野では、特定のトラフィックフローが攻撃として検知された「理由」を説明できる能力は、検知精度そのものと同じくらい重要である。Raspberry Pi 上での成功した展開は、リソース制約のある環境におけるリアルタイム・オンデバイス推論のモデルの適性をさらに実証し、中央集権型クラウドシステムへの依存を減らし、脅威への即時の緩和を可能にする。著者らは、このアプローチが、高度で多段階のサイバー攻撃の検知と、重要医療インフラへの導入に必要な透明性の提供という二重の課題に対処していると結論づけている。今後の課題として、より広範な攻撃変動性を持つ自社開発および追加の公開データセットへの評価の拡張が挙げられている。