DOI: https://doi.org/10.32604/cmes.2025.074799
تاريخ النشر: 2026-01-01
المؤلف: Fatima Al-Quayed
الموضوع الرئيسي: إنترنت الأشياء والحوسبة الحافة/الضباب
نظرة عامة
تقدم الورقة نظام الأمن السيبراني القابل للتكيف على حافة الضباب (FE-ACS)، وهو إطار أمني هرمي مصمم لمعالجة تحديات الأمان والخصوصية التي تطرحها الزيادة في عدد أجهزة إنترنت الأشياء (IoT) في الرعاية الصحية. يستخدم FE-ACS خوارزميات كشف الشذوذ المدعومة بالذكاء الاصطناعي موزعة عبر طبقات الحافة والضباب والسحابة، مما يحسن من فعالية الأمان والكمون والخصوصية. يظهر الإطار مقاييس أداء استثنائية، حيث يحقق منطقة تحت منحنى التشغيل الاستقبالي (AUC-ROC) تبلغ 0.985 ودرجة F1 تبلغ 0.923، بينما يقلل بشكل كبير من الكمون من النهاية إلى النهاية إلى 18.7 مللي ثانية مقارنة بالهياكل التقليدية المعتمدة على السحابة (152.3 مللي ثانية) والضباب فقط (34.5 مللي ثانية). بالإضافة إلى ذلك، يدعم FE-ACS ما يصل إلى 38,000 جهاز مع تدهور أداء لوغاريتمي، مما يمثل تحسينًا بمقدار 67 مرة مقارنة بالأنظمة التقليدية المعتمدة على السحابة.
تؤكد النتائج على قدرة FE-ACS على تحقيق توازن بين أداء الأمان وكفاءة الحوسبة وحماية الخصوصية. مع معدل كشف يبلغ 12,400 حدث في الثانية واستهلاك طاقة ضئيل يبلغ 12.3 مللي جول لكل استدلال، يقوم التصميم بتوزيع الأحمال عبر الطبقات—معالجة خفيفة في الحافة (4.2 مللي ثانية)، وتحليل وسيط في عقد الضباب (8.3 مللي ثانية)، والتعرف على الأنماط المعقدة في السحابة (1.2 مللي ثانية). يقلل هذا التوزيع الذكي للأحمال من تكاليف نقل الشبكة (5.0 مللي ثانية) ويستفيد من نقاط القوة في كل طبقة حوسبة. بشكل عام، يمثل FE-ACS تقدمًا كبيرًا في الهياكل الأمنية الموزعة، حيث يوفر حلاً قابلاً للتوسع، يحافظ على الخصوصية، وفي الوقت الحقيقي لحماية أنظمة إنترنت الأشياء في الرعاية الصحية ضد التهديدات السيبرانية المتطورة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على تحول كبير في صناعة الرعاية الصحية مدفوعًا بالتبني الواسع لإنترنت الأشياء (IoT). يتميز هذا التحول بدمج المنتجات الصحية المترابطة، مثل أجهزة الاستشعار الحيوية القابلة للارتداء والأجهزة القابلة للزرع، جنبًا إلى جنب مع أجهزة الاستشعار البيئية المتقدمة، والتي تعزز مجتمعة رعاية المرضى من خلال المراقبة في الوقت الحقيقي للعلامات الحيوية والتشخيص عن بعد. يتم عادةً نقل البيانات التي تنتجها هذه الأجهزة المتنوعة إلى مراكز بيانات السحابة للتخزين والتحليل المعقد، مما يحسن من تقديم الرعاية الصحية من حيث الجودة والوصول والفعالية.
ومع ذلك، فإن الطبيعة المعتمدة على البيانات لأنظمة إنترنت الأشياء في الرعاية الصحية (H-IoT) تجعلها أيضًا عرضة للتهديدات السيبرانية. إن تقارب بيانات المرضى الفيزيائية مع الأنظمة الرقمية يثير مخاوف كبيرة بشأن الأمن السيبراني، حيث يمكن أن تؤدي الاختراقات إلى عواقب وخيمة، بما في ذلك التشخيص الخاطئ والنتائج المحتملة المميتة. إن تزايد تكرار وتعقيد الهجمات السيبرانية—مثل الوصول غير المصرح به إلى بوابات المرضى وحوادث الفدية—يؤكد الحاجة الملحة إلى حلول أمان قوية وقابلة للتكيف مصممة لتلبية التحديات الفريدة التي تطرحها بيئات H-IoT.
الطرق
في هذا القسم، يصف المؤلفون المنهجية المستخدمة في تجاربهم باستخدام مجموعة بيانات PTB-XL، التي تتكون من 21,837 سجل ECG من 18,885 مريضًا. لتقليل تسرب الهوية، يتم تقسيم مجموعة البيانات حسب المرضى إلى مجموعات تدريب (80%)، والتحقق (10%)، والاختبار (10%). يقوم المؤلفون بتنفيذ التحقق المتقاطع بخمس طيات مع أخذ عينات مصنفة لضمان توزيع تمثيلي للفئات عبر الطيات.
لتمثيل الشذوذ الذي يدل على هجمات التزوير أو الفدية، يتم حقن ضوضاء غاوسية في إشارات ECG، بمتوسط 0 وانحراف معياري 0.1. يفرض هذا النهج تمثيلًا متوازنًا لفئة الشذوذ، محققًا توازنًا بنسبة 20% من خلال تقنيات زيادة العينات. من المهم أن يمنع التصميم التجريبي أي تسرب زمني من خلال تنظيم التسلسلات بناءً على معرفات المرضى والأجهزة، مما يحافظ على سلامة البيانات.
النتائج
تظهر نتائج الدراسة فعالية إطار FE-ACS في معالجة قيود الهياكل الأمنية التقليدية المعتمدة على السحابة لأنظمة إنترنت الأشياء المتنوعة (H-IoT). من خلال منصة اختبار تعتمد على الأجهزة (HIL) تستخدم أجهزة قابلة للارتداء تجارية وأجهزة ESP32 مخصصة، نفذ الإطار بنجاح نموذج آلة الدعم الشعاعي (SVM) وتواصل مع مجموعة ضبابية تعمل على مشفر الذاكرة طويل الأمد (LSTM-AE). تشير النتائج إلى تحسينات كبيرة في دقة الكشف والكمون وعرض النطاق واستهلاك الطاقة، حيث زادت درجة F1 بنسبة 8.7% مقارنة باستراتيجية معتمدة على السحابة. يُعزى هذا التحسين إلى استراتيجية كشف هرمية تقوم بتخصيص المهام بكفاءة بين طبقات الحافة والضباب، مما يسمح بالكشف عن الشذوذ في الوقت الحقيقي، وهو أمر حاسم في تطبيقات الرعاية الصحية.
علاوة على ذلك، حقق الإطار انخفاضًا بنسبة 88% في استخدام عرض النطاق، مما يجعل تطبيقات H-IoT على نطاق واسع أكثر جدوى اقتصادية وقابلة للتنفيذ تقنيًا من خلال تخفيف الازدحام الشبكي وتقليل تكاليف تخزين السحابة. يعزز استهلاك الموارد المتوازن عبر مستويات النظام الموثوقية، بينما توفر طرق الحفاظ على الخصوصية المستخدمة حماية قوية دون تكاليف إضافية كبيرة، مما يسهل مشاركة البيانات بشكل آمن بين مؤسسات الرعاية الصحية. ومع ذلك، تعترف الدراسة بالقيود، مثل الحاجة إلى مزيد من الاستكشاف لأداء الإطار تحت ظروف الشبكة غير المعتادة والتحدي المتمثل في توسيع تدابير الأمان لمواجهة الخصوم الخبيثين. قد تشمل الأعمال المستقبلية دمج التشفير المتجانس لتعزيز الخصوصية في طبقة الضباب، على الرغم من الزيادات المحتملة في التكاليف الحوسبية.
المناقشة
تؤكد قسم المناقشة في الورقة على الدور الحاسم للذكاء الاصطناعي (AI) في تعزيز أمان أنظمة إنترنت الأشياء في الرعاية الصحية (H-IoT). إن التدابير التقليدية للأمن السيبراني المعتمدة على التوقيع غير كافية ضد التهديدات المتطورة، مثل هجمات اليوم صفر والبرامج الضارة المتغيرة التي تستهدف الأجهزة الطبية. في المقابل، يمكّن الذكاء الاصطناعي، وخاصة من خلال التعلم الآلي (ML) والتعلم العميق (DL)، من الأمن السيبراني الاستباقي من خلال تعلم سلوكيات النظام الطبيعية وكشف الشذوذ التي قد تشير إلى اختراقات أمنية. يمكن أن تتكيف أنظمة كشف الشذوذ المعتمدة على الذكاء الاصطناعي المقترحة مع مرور الوقت، مما يحسن من قدراتها على كشف التهديدات مع ظهور أجهزة جديدة وظروف مرضية جديدة.
ومع ذلك، تحدد الورقة قيدًا كبيرًا في الاعتماد على الحوسبة السحابية المركزية لتحليلات الأمان، مما يقدم كمونًا ومشكلات في عرض النطاق ومخاطر على الخصوصية. هذا النموذج المركزي يمثل مشكلة خاصة في الرعاية الصحية، حيث تكون أوقات الاستجابة السريعة حاسمة. لمعالجة هذه التحديات، يقترح المؤلفون نظام كشف الشذوذ المعتمد على الذكاء الاصطناعي الموزع ضمن إطار حوسبة Fog-Edge. يهدف هذا النظام إلى تحسين معالجة تحليلات الأمان عبر ثلاثة مستويات هرمية—الحافة والضباب والسحابة—مع ضمان انخفاض الكمون، وارتفاع القابلية للتوسع، وحماية قوية للخصوصية. تشمل مساهمات الدراسة أداء كشف متفوق، وزيادة القابلية للتوسع، وكفاءة حوسبية، وقدرات الحفاظ على الخصوصية، مما يجعلها تقدمًا كبيرًا في مجال الأمن السيبراني للأنظمة الصحية المتصلة.
DOI: https://doi.org/10.32604/cmes.2025.074799
Publication Date: 2026-01-01
Author(s): Fatima Al-Quayed
Primary Topic: IoT and Edge/Fog Computing
Overview
The paper presents the Fog-Edge Adaptive Cybersecurity System (FE-ACS), a hierarchical security framework designed to address the security and privacy challenges posed by the increasing number of Internet of Things (IoT) devices in healthcare. FE-ACS employs AI-powered anomaly detection algorithms distributed across edge, fog, and cloud layers, optimizing for security efficacy, latency, and privacy. The framework demonstrates exceptional performance metrics, achieving an area under the receiver operating characteristic curve (AUC-ROC) of 0.985 and an F1-score of 0.923, while significantly reducing end-to-end latency to 18.7 ms compared to traditional cloud-centric (152.3 ms) and fog-only (34.5 ms) architectures. Additionally, FE-ACS supports up to 38,000 devices with logarithmic performance degradation, marking a 67-fold improvement over conventional cloud-based systems.
The findings underscore FE-ACS’s capability to balance security performance, computational efficiency, and privacy protection. With a detection rate of 12,400 events per second and minimal energy consumption of 12.3 mJ per inference, the architecture effectively distributes workloads across layers—lightweight processing at the edge (4.2 ms), intermediate analysis at fog nodes (8.3 ms), and complex pattern recognition in the cloud (1.2 ms). This intelligent workload distribution minimizes network transmission overhead (5.0 ms) and leverages the strengths of each computational layer. Overall, FE-ACS represents a significant advancement in distributed security architectures, providing a scalable, privacy-preserving, and real-time solution for safeguarding healthcare IoT ecosystems against evolving cyber threats.
Introduction
The introduction of the research paper highlights a significant transformation in the healthcare industry driven by the widespread adoption of the Internet of Things (IoT). This shift is characterized by the integration of interconnected health products, such as wearable biosensors and implantable devices, alongside advanced environmental sensors, which collectively enhance patient care through real-time monitoring of vital signs and remote diagnostics. The data generated by these heterogeneous devices is typically transmitted to cloud data centers for storage and complex analysis, thereby improving healthcare delivery in terms of quality, accessibility, and effectiveness.
However, the data-centric nature of Healthcare IoT (H-IoT) systems also renders them vulnerable to cyber threats. The convergence of physical patient data with digital systems raises critical cybersecurity concerns, as breaches can lead to severe consequences, including misdiagnosis and potentially fatal outcomes. The increasing frequency and sophistication of cyberattacks—such as unauthorized access to patient portals and ransomware incidents—underscore the urgent need for robust, adaptive security solutions tailored to the unique challenges posed by H-IoT environments.
Methods
In this section, the authors describe the methodology employed for their experiments using the PTB-XL dataset, which comprises 21,837 ECG records from 18,885 patients. To mitigate identity leakage, the dataset is divided patient-wise into training (80%), validation (10%), and testing (10%) subsets. The authors implement 5-fold cross-validation with stratified sampling to ensure a representative distribution of classes across the folds.
To simulate anomalies indicative of spoofing or ransomware attacks, Gaussian noise is injected into the ECG signals, with a mean of 0 and a standard deviation of 0.1. This approach enforces a balanced representation of the anomaly class, achieving a 20% balance through oversampling techniques. Importantly, the experimental design prohibits any temporal leakage by organizing sequences based on patient and device IDs, thereby maintaining the integrity of the data.
Results
The results of the study demonstrate the effectiveness of the FE-ACS framework in addressing the limitations of traditional cloud-based security architectures for heterogeneous Internet of Things (H-IoT) systems. Through a hardware-in-the-loop (HIL) testbed utilizing commercial wearables and custom ESP32 sensors, the framework successfully executed the Edge Support Vector Machine (SVM) model and communicated with a fog cluster running Long Short-Term Memory Autoencoder (LSTM-AE). The findings indicate significant improvements in detection accuracy, latency, bandwidth, and energy consumption, with the F1-Score increasing by 8.7% compared to a cloud-centric strategy. This enhancement is attributed to a hierarchical detection strategy that efficiently allocates tasks between edge and fog computing layers, allowing for real-time anomaly detection critical in healthcare applications.
Moreover, the framework achieved an 88% reduction in bandwidth usage, making large-scale H-IoT applications more economically viable and technically feasible by alleviating network congestion and lowering cloud storage costs. The balanced resource consumption across system levels enhances reliability, while the employed privacy preservation methods provide robust protection without substantial overhead, facilitating secure data sharing among healthcare institutions. However, the study acknowledges limitations, such as the need for further exploration of the framework’s performance under unusual network conditions and the challenge of extending security measures to counter malicious adversaries. Future work may include integrating homomorphic encryption to enhance privacy at the fog layer, albeit with potential increases in computational costs.
Discussion
The discussion section of the paper emphasizes the critical role of Artificial Intelligence (AI) in enhancing the security of Healthcare Internet of Things (H-IoT) systems. Traditional signature-based cybersecurity measures are inadequate against evolving threats, such as zero-day attacks and polymorphic malware targeting medical devices. In contrast, AI, particularly through machine learning (ML) and deep learning (DL), enables proactive cybersecurity by learning normal system behaviors and detecting anomalies that may indicate security breaches. The proposed AI-based anomaly detection systems can adapt over time, improving their threat detection capabilities as new devices and patient conditions emerge.
However, the paper identifies a significant limitation in the reliance on centralized cloud computing for security analytics, which introduces latency, bandwidth issues, and privacy risks. This centralized model is particularly problematic in healthcare, where rapid response times are crucial. To address these challenges, the authors propose a distributed AI-based anomaly detection system within a Fog-Edge computing framework. This system aims to optimize the processing of security analytics across three hierarchical levels—Edge, Fog, and Cloud—while ensuring low latency, high scalability, and robust privacy protections. The study’s contributions include superior detection performance, enhanced scalability, computational efficiency, and privacy-preserving capabilities, making it a significant advancement in the field of cybersecurity for connected healthcare systems.