利用强化学习和治理规则，为医疗物联网提供可靠且符合伦理的入侵检测机制

《Scientific Reports》：Trustworthy and ethical intrusion detection for healthcare internet of medical things using reinforcement learning and governance rules

　　

摘要

医疗物联网（IoMT）环境需要具备准确性、安全性、适度性和可审计性的入侵检测系统。传统的入侵检测指标（如准确率和F1分数）可以量化分类性能，但无法说明自动化响应措施在临床安全性和操作可行性方面的表现。本研究提出了一种针对医疗IoMT系统的基于治理原则的入侵响应框架。该框架整合了基于随机森林的检测器、深度Q网络（DQN）分类代理以及受NIST人工智能风险管理框架指导的伦理规则引擎。检测器提供概率性和不确定性相关的证据，分类代理从四种响应措施中选择一种，而规则引擎通过明确的治理规则、备用决策和审计日志来限制不安全的操作。该框架通过CIC-IoMT 2024测试进行了领域内评估，使用分层CSE-CIC-IDS2018样本进行了领域转换压力测试，并通过模拟临床负载指数敏感性分析、独立决策质量指标和时间流重放进行了验证。在领域内测试中，DQN分类模型的加权F1分数达到了0.978。治理机制将误判为恶意行为的阻断率从25.3%降低到17.3%，表明规则监督有效减少了潜在的破坏性自动化响应。然而，在跨领域评估中，性能显著下降：随机森林基线的CAS保留率为0.282，而DQN分类模型的CAS保留率为0.341。在时间流重放测试中，系统在流量变化后的性能有所下降；但在受治理机制约束的DQN模型下，平均决策危害成本低于未受约束的DQN模型（危害成本从0.502降至0.434）。这些结果表明，在受控、不确定和流量变化的环境中，伦理规则监督能够提升决策的安全性。不过，这些结果仅基于离线模拟数据，不应被视为实际医院环境部署的有效验证。