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

Technische Samenvatting: Op het apparaat interpreteerbare Tsetlin Machine-gebaseerde Inbraakdetectie voor beveiligde IoMT

Probleemstelling
De snelle integratie van internetverbonden medische apparaten in het Internet of Medical Things (IoMT) heeft continue, real-time patiëntbewaking mogelijk gemaakt, maar heeft tegelijkertijd aanzienlijke cyberbeveiligingsrisico's geïntroduceerd. Deze apparaten, die uiterst gevoelige gezondheidsgegevens verzenden, zijn aantrekkelijke doelen voor geavanceerde cyberaanvallen die de veiligheid, privacy en functionaliteit van het systeem kunnen compromitteren. Hoewel Inbraakdetectiesystemen (IDS) standaard zijn voor het bewaken van netwerkverkeer, kampen traditionele signatuur- en anomaliegebaseerde benaderingen met de dynamische aard van IoMT-omgevingen en opkomende bedreigingen. Bovendien werken bestaande Machine Learning (ML) en Deep Learning (DL) oplossingen vaak als "black boxes", zonder de interpretatievereiste die nodig is voor vertrouwenskritieke gezondheidszorgtoepassingen. Daarnaast zijn veel hoogpresterende modellen te rekenintensief voor implementatie op apparaten met beperkte middelen aan de rand van het netwerk, die essentieel zijn voor real-time, laag-latentie detectie in IoMT-netwerken.

Methodologie
Het artikel stelt een innovatief, op het apparaat draaiend Inbraakdetectiesysteem (IDS) voor dat is gebaseerd op de Tsetlin Machine (TM), een door regels gedreven, interpreteerbare ML-benadering. De methodologie is gestructureerd in drie hoofdfasen:

1. Data Voorbereiding: Het systeem maakt gebruik van het MedSec-25 dataset, dat realistische IoMT-verkeer simuleert, inclusief onschadelijke operaties en vier distincte cyberaanvalsfases gebaseerd op het MITRE ATT&CK-framework: Verkenning, Initiële Toegang, Laterale Beweging en Exfiltratie. Het dataset bevat 554.534 samples met 84 op stroom gebaseerde kenmerken. Preprocessing omvat het verwerken van ontbrekende waarden, normaliseren van data en aanpakken van class-ongelijkheid. Voor het TM-model wordt de Synthetic Minority Over-sampling Technique (SMOTE) toegepast op de trainingsset, terwijl ML-baselines gebruik maken van class-gewicht. Cruciaal worden continue kenmerken omgezet in binaire invoer met behulp van een binarizer (KBinsDiscretizer) om af te stemmen op de logische architectuur van de TM.
2. Model Training: De kern van het systeem is de Tsetlin Machine, die interpreteerbare conjunctieve clausules construeert met behulp van propositielogica om aanvalspatronen weer te geven. Het model leert door terugkerende patronen te identificeren via frequent-patroon leren in plaats van uitsluitend fouten te minimaliseren. Een Sparse Tsetlin Machine (STM) variant wordt ook geëvalueerd om gecontroleerde sparsiteit in te voeren, waardoor de invloed van irrelevante kenmerken wordt verminderd. Het trainingsproces omvat hyperparameter-tuning, clausulevorming en k-fold cross-validatie om robuustheid te waarborgen en overfitting te voorkomen.
3. Edge Implementatie: Om real-time inferentiecapaciteiten te valideren, worden de getrainde modellen ingezet op een Raspberry Pi 5 (een apparaat met beperkte middelen aan de rand van het netwerk). Het systeem vangt netwerkverkeer op, converteert dit naar op stroom gebaseerde kenmerken, preprocessed en binariseert de data, en voert classificatie op het apparaat uit om verkeer te labelen als onschadelijk of kwaadaardig.

Belangrijkste Bijdragen
Het artikel schetst vijf primaire bijdragen:

• Ontwikkeling van een effectief TM-gebaseerd IDS dat verschillende fases van cyberaanvallen in IoMT-omgevingen kan detecteren.
• Omvattende evaluatie van het IDS in een multi-class setting met behulp van het MedSec-25 dataset.
• Numeriek bewijs dat de superioriteit van het voorgestelde IDS aantoont ten opzichte van state-of-the-art ML-methoden (waaronder Decision Trees, Random Forests, XGBoost, LightGBM, KNN, Naive Bayes, Logistische Regressie en Neuronale Netwerken).
• Een interpretatieanalyse die specifieke beslissingsregels onthult, inclusief bijdragen op kenmerkniveau, class-wijze stemscores en warmtekaarten van clausule-activatie, waardoor transparantie wordt vergroot.
• Succesvolle edge-implementatie op een Raspberry Pi, wat de haalbaarheid van real-time, op het apparaat inferentie voor aanvalsdetectie aantoont.

Resultaten
Uitgebreide evaluaties op het MedSec-25 dataset leverden de volgende resultaten op:

• Classificatieprestaties: Het voorgestelde TM-model behaalde de hoogste prestatie onder alle geteste classifiers, met een F1-score van 97,83%, waarbij precisie en recall respectievelijk ook op 97,87% en 97,83% lagen. De Sparse TM (STM) variant behaalde een concurrerende F1-score van 97,33%.
• Vergelijking: De TM presteerde beter dan alle basale ML-modellen. Terwijl XGBoost bijvoorbeeld een hoge recall behaalde (97,97%), was de precisie lager (91,75%), wat resulteerde in een lagere F1-score (94,47%). Traditionele modellen zoals Naive Bayes en Logistische Regressie presteerden aanzienlijk slechter (F1-scores van respectievelijk 44,76% en 61,19%).
• Inferentietijd: Op de hostmachine (MacBook M4) vereiste de TM 66,24 µs per inferentie, wat hoger is dan Logistische Regressie (0,05 µs) maar concurrerend met andere complexe modellen. Op de Raspberry Pi 5 steeg de inferentietijd naar 230,44 µs voor TM en 222,76 µs voor STM.
• Ressource-efficiëntie: Op het randapparaat hielden de TM en STM een matig CPU-gebruik (~25-26%) en beheersbaar geheugengebruik, in schril contrast met XGBoost en LightGBM, die bijna 99% van de CPU-bronnen verbruikten.
• Interpreteerbaarheid: De studie bood expliciete verklaringen voor modelbeslissingen. Bijvoorbeeld, bij het classificeren van onschadelijk verkeer bleek het model niet-unschadelijke patronen te onderdrukken via negatieve clausule-stemmen, terwijl het positieve clausules activeerde voor onschadelijke kenmerken. Warmtekaarten visualiseerden de activatie van specifieke clausules voor verschillende aanvalsfases, wat bevestigde dat het model vertrouwen stelt op logische regels in plaats van ondoorzichtige gewichten.

Betekenis en Claims
Het artikel claimt dat de combinatie van hoge classificatieprestaties en expliciete interpreteerbaarheid het voorgestelde TM-gebaseerde IDS bijzonder geschikt maakt voor IoMT-gezondheidszorgomgevingen. In sectoren waar vertrouwen, betrouwbaarheid, veiligheid en tijdige besluitvorming kritiek zijn, is het vermogen om uit te leggen waarom een specifieke verkeersstroom als aanval is gemarkeerd even belangrijk als de detectienauwkeurigheid zelf. De succesvolle implementatie op een Raspberry Pi bevestigt verder de geschiktheid van het model voor real-time, op het apparaat inferentie in omgevingen met beperkte middelen, waardoor de afhankelijkheid van gecentraliseerde cloudsystemen wordt verminderd en directe mitigatie van bedreigingen mogelijk wordt. De auteurs concluderen dat deze aanpak de dubbele uitdagingen aanpakt van het detecteren van geavanceerde, multi-fase cyberaanvallen en het bieden van de transparantie die nodig is voor adoptie in kritieke gezondheidszorginfrastructuur. Toekomstig werk wordt vermeld als het uitbreiden van evaluaties naar zelfontwikkelde en aanvullende publieke datasets met bredere aanvalvariabiliteit.