AI-Driven Intrusion Detection based on Feature Selection for IoMT

Abstract

Due to limitations in device capabilities and data complexity, traditional Intrusion Detection Systems (IDS) are unable to mitigate the serious security vulnerabilities posed by the Internet of Medical Things’ (IoMT) rapid proliferation. AI-driven security for the Internet of Medical Things (IoMT) is thoroughly examined in this thesis, with a focus on the challenge of balancing computational efficiency and detection accuracy. Sophisticated Feature Selection (FS) is essential to modern Intrusion Detection Systems’ (IDS) ability to mitigate the ”curse of dimensionality.” The study thoroughly evaluates the effectiveness of wrapper-based feature selection techniques, specifically metaheuristic algorithms like Particle Swarm Optimization (PSO), in locating the best feature subsets within high-dimensional network data. The analysis reveals that while machine learning offers a powerful solution, there is still a significant gap in the development of powerful yet lightweight models. In order to create a strong security framework and guarantee patient safety in networked healthcare settings, this paper lays out the fundamental analysis for ”Neye Sec,” a proposed intrusion detection system (IDS) that will use the sophisticated metaheuristic WELL-PSO.****

En raison des contraintes liées aux capacités des dispositifs et à la complexité des données, les systèmes de détection d’intrusion traditionnels (IDS) se révèlent incapables de contrer efficacement les importantes vulnérabilités de sécurité engendrées par la rapide expansion de l’Internet des objets médicaux (IoMT). Cette thèse examine de manière approfondie la sécurité pilotée par l’IA pour l’Internet des objets médicaux (IoMT), en se concentrant sur le défi de concilier l’efficacité computationnelle et la précision de la détection. Le processus de sélection de caractéristiques sophistiqué (FS) est crucial pour permettre aux systèmes actuels de détection d’intrusions (IDS) de contrer la ”malédiction de la dimensionnalité”. L’étude examine de manière approfondie l’efficacité des méthodes de sélection de caractéristiques basées sur des wrappers, en mettant l’accent sur l’utilisation d’algorithmes métaheuristiques tels que l’optimisation par essaims particulaires (PSO), afin d’identifier les sousensembles de caractéristiques les plus pertinents dans des données réseau de grande dimension. L’analyse met en évidence que malgré les avantages offerts par l’apprentissage automatique, il persiste une disparité notable dans la conception de modèles efficaces tout en étant légers. Dans le but d’établir un cadre de sécurité robuste et d’assurer la protection des patients au sein des milieux de soins de santé connectés, cette étude expose une analyse approfondie du système de détection d’intrusion (IDS) nommé ”Neye Sec,” qui fera appel à la métaheuristique avancée WELL-PSO.