IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT

在现代医院中，电子鸣叫声和闪烁灯光不断流转，监测着患者的生命体征。这些设备是被称为“医疗物联网”（IoMT）的联网网络的一部分，能够以惊人的精度测量心跳和血流。然而，这种数字化的警觉面临着一个令人困惑的问题：当警报响起时，往往无法判断原因。患者可能真的在恶化，也可能是传感器松动或校准偏移，抑或是黑客秘密篡改了数据，使健康的患者看起来病重。对于站在床边的医生来说，这种模糊性是危险的。将机器错误当作医疗紧急情况处理会浪费时间和资源，但忽视真实的攻击或真正的危机则可能夺走生命。核心挑战不仅在于注意到出了问题，还在于理解究竟是什么导致了最初的警报。

为了解决这个问题，马里兰大学巴尔的摩分校的研究人员创建了一个新的测试场，名为 IoMT-SecAlarmBench。他们没有等待真实的攻击在医院发生——因为直接研究这种情况风险过高——而是构建了一个受控环境，可以在真实的患者数据中注入特定类型的故障。他们采集了来自数千名患者的真实心跳和血流记录，并仔细引入了四种不同类型的数字篡改。有些攻击很微妙，植入看似完全正常的虚假数值；另一些则更为明显，比如冻结传感器读数或回放数小时前的旧心跳。至关重要的是，由于研究人员是亲自制造这些问题的，他们掌握着确切的真相：他们知道哪些数据窗口是真实的，哪些是有故障的，哪些是被黑客攻击的，甚至还保留了一份如果从未发生攻击时信号本应呈现的样子。这种“反事实”真相（即关于“本会如何”的记录），是任何自然数据集都从未提供过的。

随后，团队测试了六个旨在识别这些异常现象的计算机程序。他们想看看这些程序是否不仅能检测到触发了警报，还能正确识别原因究竟是网络攻击、损坏的传感器，还是真实的医疗事件。结果揭示了当前技术的一个重大局限性。虽然这些程序在发现明显的、超出范围的错误方面表现尚可，但在面对最危险的情景时却显得力不从心。当数据被篡改得看起来非常逼真时（例如，通过回放旧的心跳来掩盖当前的问题），检测器的表现并不比随机猜测好多少。它们无法区分真实的生理事件与复杂的攻击。

或许最令人深思的发现是，在捕捉攻击与避免误报之间存在一种权衡。表现最好的程序能够识别出最难应对的攻击类型，但这是以高昂的代价换取的。每当它正确标记一次网络攻击时，就会错误地将一个无害的传感器故障标记为攻击超过五次。这表明，这些程序用来寻找黑客的特征（即寻找不同身体信号之间的不一致性）与那些难以区分黑客与松动电线的原因，实际上是相同的特征。研究还发现，此前一些声称能检测医疗设备攻击的研究，很可能被数据中的简单线索（如特定的设备 ID 或网络地址）所迷惑，而非真正理解了医疗信号。通过剥离这些简单的捷径，这个新的基准测试表明，许多现有方法的效果远比之前认为的要差。

最终，这项工作并未提供完美的解决方案，而是绘制了一幅清晰的现状图谱。它证明了虽然我们可以构建系统来察觉异常，但我们尚未掌握如何弄清异常背后的原因。研究人员发现，区分病人病重、机器损坏和恶意行为者仍然是一个深刻的挑战，这需要超越简单的模式匹配，转向对因果关系的更深层理解。他们的新基准提供了一种严谨的测试工具，确保当我们最终构建出保护患者的系统时，评判标准是它们辨别真相的能力，而不仅仅是发出警报的能力。