Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2491| Anomaly Detection Scheme based on Artificial Intelligence and Fingerprinting Techniques in Smart Healthcare | |
| Mireya Lucia Hernandez Jaimes | |
| ALFONSO MARTINEZ Kelsey Alejandra Ramírez Gutiérrez | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| anomaly detection artificial intelligence fingerprinting smart healthcare IoT | |
| Recent advances in Smart Healthcare have impacted traditional medical treatment, health services, interoperability between intelligent medical devices, and its communications. However, the increasing connectivity of devices in the Smart Healthcare environments has created a favorable field for cyberattacks. As a result, traditional intrusion detection methods and new detection schemes for Smart Healthcare have been applied. In addition, there is a growing trend to integrate Artificial Intelligence into these security strategies to improve anomaly detection in Smart Healthcare networks.
Nevertheless, the effectiveness of these methods is contingent upon the quality and meaningfulness of the extracted features from the network communications. In addition, with the growth of Smart Healthcare, extracting relevant features from network traffic is becoming increasingly complex due to device heterogeneity and the generation of massive amounts of information. Thus, this study extensively reviews the state of-the-art intrusion detection methods based on Artificial Intelligence and proposes a novel detection scheme for a Smart Healthcare environment.
The proposed detection scheme integrates fingerprinting techniques and Artificial Intelligence algorithms to eliminate the time-consuming feature extraction and selection required to model AI-based algorithms. The integration of fingerprinting techniques allows the representation of the network packet information in a suitable format to model Machine Learning and Deep Learning classifiers for anomaly detection in a Smart Healthcare environment, namely Integrated Clinical Environment. The results
obtained show comparable anomaly detection performance compared to the state-of-the-art, specially in terms of precision, false positive rate, and training time. Finally, during the development of this thesis, two publications were obtained.
Los avances recientes en el cuidado inteligente de la salud (Smart Healthcare) han impactado el tratamiento médico tradicional, los servicios de salud, la interoperabilidad entre dispositivos médicos inteligentes y sus comunicaciones. Sin embargo, la creciente conectividad de los dispositivos en los entornos de Smart Healthcare ha creado un campo favorable para los ciberataques. Como resultado, se han aplicado métodos tradicionales de detección de intrusos y nuevos esquemas de detección para Smart Healthcare. Además, existe una tendencia creciente de integrar la Inteligencia Artificial en estas estrategias de seguridad para mejorar la detección de anomalías en redes de comunicación de Smart Healthcare. Sin embargo, la eficacia de estos métodos depende de la calidad y el significado de las características extraídas de las comunicaciones de la red. Además, con el crecimiento de Smart Healthcare, la extracción de características relevantes del tráfico de red se está volviendo cada vez más compleja debido a la heterogeneidad de los dispositivos y la generación de cantidades masivas de información. Por lo tanto, este estudio proporciona una extensa revisión del estado del arte en cuanto a métodos de detección de intrusos basados en Inteligencia Artificial, y un novedoso esquema de detección para un entorno Smart Healthcare. El esquema de detección propuesto implica la integración de técnicas de fingerprinting y algoritmos de Inteligencia Artificial para eliminar el proceso de extracción y selección de características, y un proceso típicamente necesario para modelar algoritmos basados en IA. La integración de técnicas de fingerprinting permite representar la información del paquete de red en un formato adecuado para modelar clasificadores de Machine Learning y Deep Learning para la detección de anomalías en un entorno de Smart Healthcare, conocido como entorno clínico integrado (ICE). Los resultados obtenidos muestran un rendimiento de detección de anomalías comparable al estado del arte, especialmente en términos de precisión, tasa de falsas alarmas, y tiempo de entrenamiento. Finalmente, a partir de esta tesis se generaron dos publicaciones. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2023-10 | |
| Tesis de maestría | |
| Inglés | |
| Estudiantes Investigadores Público en general | |
| Hernández Jaimes, M. L., (2023), Anomaly Detection Scheme based on Artificial Intelligence and Fingerprinting Techniques in Smart Healthcare, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| OTRAS ESPECIALIDADES TECNOLÓGICAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias Computacionales |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| HERNANDEZJML_MCC.pdf | 20.61 MB | Adobe PDF | Visualizar/Abrir |