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

技术摘要：面向物联网医疗监测应用的安全性感知型体域网通信协议（802.15.6）机器学习方法

问题陈述
无线体域网（WBANs）是基于物联网的健康监测的关键，能够通过可穿戴和植入式传感器实现生理数据的持续传输。然而，日益增长的连接性和数据传输频率引入了显著的安全漏洞和能耗挑战。WBANs 在开放的无线信道上运行，且节点资源受限，使其容易受到重放攻击、身份欺骗、恶意数据注入和窃听的影响。

虽然现有文献提供了诸如加密认证、基于区块链的验证以及雾/边缘计算架构等解决方案，但在实时、通信层入侵检测方面仍存在空白。目前大多数方法依赖于确定性安全机制或事后分析，缺乏概率性估计攻击概率的能力。此外，可穿戴设备严格的能量限制限制了重型安全机制的部署。目前缺乏能够将基于机器学习（ML）的攻击概率估计直接集成到 IEEE 802.15.6 通信协议中，以实现自适应、风险感知型传输的框架。

方法论
本文提出了一种**安全性感知位图辅助 BAN 混合架构（SABMABAN-Hybrid）**框架。该方法将基于机器学习的攻击概率估计与两层高效能通信架构相结合：

1. 两层架构：

   • 第一层（体内）： 利用 IEEE 802.15.6 标准，采用增强型接入时分多址（EATDMA）调度和短争用接入期（CAP）。该层处理可穿戴生物传感器与体域网（BAN）协调器之间的通信。
   • 第二层（网关）： 利用 IEEE 802.15.4 标准，采用位图辅助调度机制和较大的争用接入期（CAP），为从协调器到网关/云端的上行通信预留传输时隙。

2. 机器学习集成：

   • ML 模型在医疗监测数据（生理特征如心率、血压、体温和血氧饱和度 SpO2）结合通信层属性的基础上进行训练。
   • 系统采用概率方法而非二分类法。它使用逻辑回归、支持向量机（SVM）、随机森林、梯度提升和多层感知器（MLP）等分类器来估计每次通信实例的攻击概率 ($\hat{p}_i$)。
   • 采用阈值优化的 ML 框架来处理数据集中的类别不平衡问题。
   • 估计的攻击概率被转换为安全传输概率 ($p_1$)，用于控制数据转发。如果估计风险较高，系统会调整传输行为以减轻潜在威胁。

3. 数学建模：

   • 框架将攻击指示器 $A(t)$ 和受损信号 $r^*_i(t)$ 建模为合法传输加上一个扰动项的函数。
   • 为 IEEE 802.15.6 和 IEEE 802.15.4 层制定了能耗模型，考虑了在 CAP 和无竞争期（CFP）期间的传输、接收、空闲监听和缓冲区检查。
   • 总网络能耗 ($E_{SABMABAN}$) 通过结合两层能量并受 ML 衍生传输概率调节来计算。

核心贡献

• ML 与能量模型的集成： 攻击概率估计被直接集成到 IEEE 802.15.6 WBAN 通信的能耗模型中，实现了自适应安全控制。
• 阈值优化型 ML 框架： 开发了一个专门用于处理不平衡医疗数据集以实现准确攻击概率估计的框架。
• 两层安全架构： 创建了一种结合了 IEEE 802.15.6（体内）和 IEEE 802.15.4（网关）的混合安全 BAN 架构，并具有自适应风险建模功能。
• 全面评估： 本研究使用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 分数、ROC-AUC 和混淆矩阵对所提模型进行评估，并针对现有协议（BMABAN-Hybrid, BANTDMA, SABAN-EATDMA, EATDMABAN）进行了能耗对比分析。

结果
评估分为两个阶段进行：基于 Python 的 ML 分析和基于 MATLAB 的能量仿真。

• ML 性能： 在测试的分类器中，多层感知器（MLP） 实现了约 0.68 的最高分类准确率。虽然各模型的精确率相对较低（0.13–0.18），表明存在一些误报，但 SVM 和逻辑回归 实现了高召回率（接近 1.0），确保极少遗漏潜在的攻击事件。最终估计的攻击感知传输概率为 $p_1 = 0.14$。
• 能效： MATLAB 仿真表明，SABMABAN-Hybrid 协议在不同网络参数（每周期会话数、数据包大小、事件概率、传感器数量、患者数量）下，其能效始终优于现有方案。
  • 当患者数量增加到 100 时，该方法比 EATDMABAN 降低了约 26.7% 的能耗，比 BANTDMA 降低了 45%。
  • 当每个患者的传感器数量增加到 24 个时，该方案比 BMABAN-Hybrid 降低了近 50% 的能耗，比 BANTDMA 降低了约 79.6%。

意义与主张
论文声称，将安全性感知传输控制与混合调度机制相结合，可以显著增强基于物联网的医疗监测系统的可靠性和可持续性。通过从确定性安全转向概率性攻击估计，该框架允许网络根据实时风险评估自适应地控制数据转发。

作者断言，这种方法有效地减少了不必要的传输，从而在不损害恶意活动检测能力的前提下，降低了整体网络能耗。研究结论指出，虽然传统的加密方法不足以在资源受限的环境中实现对恶意活动的实时检测，但轻量级的安全性感知 ML 框架可以弥补这一差距。未来的工作建议在真实的 IoT 平台上实现该协议，并将该框架扩展为用于大规模环境的深度学习驱动的自适应入侵检测。