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

Resumo Técnico: Método de ML com Consciência de Segurança para Protocolo de Comunicação de Rede de Área Corporal (802.15.6) em Aplicações de Monitoramento de Saúde Baseadas em IoT

Definição do Problema
As Redes de Área Corporal Sem Fio (WBANs) são críticas para o monitoramento de saúde baseado em IoT, permitindo a transmissão contínua de dados fisiológicos via sensores vestíveis e implantáveis. No entanto, a crescente conectividade e a frequência de transmissão de dados introduzem vulnerabilidades de segurança significativas e desafios de consumo de energia. As WBANs operam sobre canais sem fio abertos com nós de recursos limitados, tornando-as suscetíveis a ataques de replay, falsificação de identidade (spoofing), injeção de dados maliciosos e interceptação (eavesdropping).

Embora a literatura existente ofereça soluções como autenticação criptográfica, validação baseada em blockchain e arquiteturas de computação em névoa/borda (fog/edge computing), permanece uma lacuna na detecção de intrusão em tempo real na camada de comunicação. A maioria das abordagens atuais depende de mecanismos de segurança determinísticos ou análise post-hoc, carecendo da capacidade de estimar a probabilidade de ataque de forma probabilística. Além disso, as restrições rigorosas de energia em dispositivos vestíveis limitam a implantação de mecanismos de segurança pesados. Há uma falta específica de frameworks que integrem a estimativa de probabilidade de ataque baseada em aprendizado de máquina (ML) diretamente nos protocolos de comunicação IEEE 802.15.6 para permitir uma transmissão adaptativa e consciente do risco.

Metodologia
O artigo propõe um framework SABMABAN-Hybrid (Security-Aware Bit-Map Assisted BAN Hybrid). Esta abordagem integra a estimativa de probabilidade de ataque baseada em ML com uma arquitetura de comunicação de duas camadas energeticamente eficiente:

1. Arquitetura de Duas Camadas:

   • Camada 1 (Intra-body): Utiliza o padrão IEEE 802.15.6 com escalonamento Enhanced Access Time Division Multiple Access (EATDMA) e um período de acesso por contenção (CAP) curto. Esta camada lida com a comunicação entre os biossensores vestíveis e o coordenador da Rede de Área Corporal (BAN).
   • Camada 2 (Gateway): Utiliza o padrão IEEE 802.15.4 com um mecanismo de escalonamento assistido por bitmap e um CAP maior para reservar slots de transmissão para a comunicação de uplink do coordenador para o gateway/nuvem.

2. Integração de Aprendizado de Máquina (ML):

   • Modelos de ML são treinados em dados de monitoramento de saúde (características fisiológicas como frequência cardíaca, pressão arterial, temperatura e SpO2) combinados com atributos da camada de comunicação.
   • O sistema emprega uma abordagem probabilística em vez de classificação binária. Ele estima a probabilidade de ataque ($\hat{p}_i$) para cada instância de comunicação usando classificadores como Regressão Logística, Máquinas de Vetores de Suporte (SVM), Random Forest, Gradient Boosting e Perceptron de Camada Múltipla (MLP).
   • Um framework de ML otimizado por limiar é usado para lidar com o desequilíbrio de classes no conjunto de dados.
   • A probabilidade de ataque estimada é convertida em uma probabilidade de transmissão segura ($p_1$), que controla o encaminhamento de dados. Se o risco estimado for alto, o sistema adapta o comportamento de transmissão para mitigar potenciais ameaças.

3. Modelagem Matemática:

   • O framework modela o indicador de ataque $A(t)$ e o sinal comprometido $r^*_i(t)$ como uma função da transmissão legítima mais um termo de perturbação.
   • Modelos de consumo de energia são formulados para ambas as camadas IEEE 802.15.6 e IEEE 802.15.4, contabilizando transmissão, recepção, escuta ociosa (idle listening) e verificação de buffer durante o CAP e o Período Livre de Contenção (CFP).
   • O consumo de energia total da rede ($E_{SABMABAN}$) é calculado combinando a energia de ambas as camadas, modulada pelo número de frames e pela probabilidade de transmissão derivada de ML.

Principais Contribuições

• Integração de Modelos de ML e Energia: A estimativa de probabilidade de ataque é integrada diretamente ao modelo de consumo de energia da comunicação WBAN IEEE 802.15.6, permitindo o controle de segurança adaptativo.
• Framework de ML Otimizado por Limiar: Desenvolvimento de um framework especificamente projetado para lidar com conjuntos de dados de saúde desequilibrados para uma estimativa precisa da probabilidade de ataque.
• Arquitetura Segura de Duas Camadas: Criação de uma arquitetura híbrida de BAN segura combinando IEEE 802.15.6 (intra-body) e IEEE 802.15.4 (gateway) com modelagem de risco adaptativa.
• Avaliação Abrangente: O estudo avalia o modelo proposto usando Acurácia, Precisão, Recall, F1-score, ROC-AUC e Matriz de Confusão, juntamente com uma análise comparativa do consumo de energia contra protocolos existentes (BMABAN-Hybrid, BANTDMA, SABAN-EATDMA, EATDMABAN).

Resultos
A avaliação foi conduzida em duas fases: análise de ML baseada em Python e simulação de energia baseada em MATLAB.

• Desempenho de ML: Entre os classificadores testados, o Perceptron de Camada Múltipla (MLP) alcançou a maior acurácia de classificação de aproximadamente 0,68. Embora os valores de Precisão tenham sido relativamente baixos (0,13–0,18) entre os modelos, indicando alguns falsos positivos, SVM e Regressão Logística alcançaram altos valores de Recall (próximos a 1,0), garantindo que eventos de ataque potenciais raramente sejam perdidos. A probabilidade de transmissão resultante consciente do ataque foi estimada em $p_1 = 0,14$.
• Eficiência Energética: Simulações em MATLAB demonstraram que o protocolo SABMABAN-Hybrid superou consistentemente os esquemas existentes em eficiência energética através de várias variáveis de rede (sessões por ciclo, tamanho de pacote, probabilidade de evento, número de sensores e número de pacientes).
  • Quando o número de pacientes aumentou para 100, o método proposto alcançou aproximadamente uma redução de energia de 26,7% em comparação com o EATDMABAN e uma redução de 45% em comparação com o BANTDMA.
  • Quando o número de sensores aumentou para 24 por paciente, o esquema reduziu o consumo de energia em quase 50% em comparação com o BMABAN-Hybrid e aproximadamente 79,6% em comparação com o BANTDMA.

Significância e Alegações
O artigo afirma que a integração do controle de transmissão consciente da segurança com mecanismos de escalonamento híbridos melhora significativamente a confiabilidade e a sustentabilidade dos sistemas de monitoramento de saúde baseados em IoT. Ao mudar da segurança determinística para a estimativa de ataque probabilística, o framework permite que a rede controle adaptativamente o encaminhamento de dados com base na avaliação de risco em tempo real.

Os autores sustentam que esta abordagem reduz efetivamente as transmissões desnecessárias, diminuindo assim o consumo de energia geral da rede sem comprometer a detecção de atividades maliciosas. O estudo conclui que, embora as abordagens criptográficas tradicionais sejam insuficientes para a detecção em tempo real de atividades maliciosas em ambientes de recursos limitados, um framework de ML leve e consciente da segurança pode preencher essa lacuna. O trabalho futuro proposto visa implementar o protocolo em plataformas IoT reais e estender o framework para detecção de intrusão adaptativa baseada em aprendizado profundo para ambientes de larga escala.