Ocena dynamicznego ryzyka świadoma powolnego dryfu w cyberfizycznych systemach z użyciem kwantowego modelowania neutrozoiczno-rozmytego

Dlaczego ciche zmiany w inteligentnych szpitalach mają znaczenie

Współczesne szpitale coraz bardziej polegają na połączonych maszynach: respiratorach, pompach infuzyjnych, monitorach i usługach w chmurze, które razem tworzą system cyberfizyczny. Wiele zagrożeń dla tych systemów jest dramatycznych, jak widoczne próby włamań czy nagłe awarie urządzeń. Artykuł koncentruje się jednak na czymś subtelniejszym i równie groźnym: powolnych, niemal niewidocznych zmianach w zachowaniu sieci, które kumulują się w czasie i mogą podważyć bezpieczeństwo pacjentów, jeśli nie zostaną wykryte i opanowane.

Ukryte zużycie w cyfrowych sieciach szpitalnych

W sieci szpitalnej dane z urządzeń medycznych płyną nieustannie między przyłóżkowymi urządzeniami a serwerami centralnymi. W ciągu miesięcy lub lat ten ruch może stopniowo się zmieniać: pojawiają się opóźnienia, drobne utraty pakietów stają się częstsze, a połączenia zachowują się nieco inaczej. Te powolne przesunięcia, znane jako dryf, mogą sygnalizować starzenie się sprzętu, problemy konfiguracyjne lub ukryte włamania unikające wywołania tradycyjnych alarmów. Istniejące narzędzia oceny ryzyka mają tendencję do wyszukiwania wyraźnych, krótkotrwałych anomalii i często przeoczają tego rodzaju cichą degradację, zwłaszcza gdy dane są zaszumione, niekompletne lub sprzeczne.

Wielowarstwowa sieć bezpieczeństwa dla opieki połączonej

Autorzy proponują kompleksowe ramy do dynamicznego nadzorowania medycznych systemów cyberfizycznych, zamiast polegać na jednorazowych kontrolach. Najpierw każde urządzenie medyczne rejestrowane jest na serwerze szpitalnym, a jego dane strumieniowane do systemu wykrywania włamań w sieci. Tam uzupełniane są brakujące wartości, normalizowane pomiary i ekstrahowane kluczowe cechy zachowania komunikacji. Nowe podejście, nazwane kwantowym wykładniczo ważonym średnim ruchu stanu, jest następnie używane do śledzenia powolnego dryfu. Poprzez kodowanie wzorców ruchu w sposób uwydatniający subtelne nakładania się i długoterminowe trendy, metoda ta potrafi wykryć łagodne, lecz utrzymujące się zmiany, które starsze statystyki pomijają.

Inteligentniejsze wykrywanie włamań i punktacja ryzyka

Aby rozpoznać rzeczywiste ataki w tym ewoluującym otoczeniu, ramy wykorzystują zaawansowany model sieci neuronowej, dostrojony pod kątem stabilności i szybkości. Specjalne wybory inicjalizacji wag i funkcji aktywacji pomagają sieci uczyć się z długich sekwencji ruchu bez wygaszania się lub zatrzymywania sygnałów wewnętrznych, co poprawia zarówno dokładność, jak i czas treningu. Gdy możliwe włamania zostaną oznaczone, ich sygnały łączone są z innymi wskaźnikami anomalii za pomocą techniki, która wyraźnie uwzględnia, jak różne sygnały ostrzegawcze wzajemnie się wzmacniają lub powielają. Zamiast zwykłego uśredniania wyników, metoda modeluje zależności parowe i w małych grupach, dzięki czemu wiele słabych wskaźników występujących razem może być traktowane jako istotne zagrożenie.

Stawianie czoła niepewności

Rzeczywiste dane szpitalne rzadko bywają jednoznaczne. Pomiary mogą być niespójne, a eksperci nie zawsze zgadzają się co do poziomu ryzyka danego wzorca. Aby sobie z tym poradzić, autorzy przyjmują logikę, która reprezentuje każdą sytuację za pomocą trzech składników: dowodów, że coś jest nieprawidłowe, dowodów, że jest normalne, oraz trzeciej części obejmującej rzeczywistą niepewność. Przed połączeniem tych elementów wyniki są skalowane do wspólnego zakresu, tak aby końcowa miara ryzyka pozostała zrozumiała. System następnie tłumaczy swoje rozumowanie za pomocą rozszerzonej formy analizy wkładu, która uwypukla, które cechy ruchu i sygnały anomalii podniosły lub obniżyły ryzyko, pomagając klinicystom i inżynierom ufać i weryfikować wyniki.

Przekuwanie wiedzy o ryzyku w terminowe działania

Wiedza o rosnącym ryzyku jest użyteczna tylko wtedy, gdy prowadzi do rozsądnych działań. Ostatni etap ram wykorzystuje ustrukturyzowany model decyzyjny do wyboru strategii łagodzących, takich jak zaostrzenie kontroli dostępu, filtrowanie podejrzanego ruchu, czy w skrajnych przypadkach izolowanie urządzeń i powrót do pracy manualnej. Silnik decyzyjny zaprojektowano tak, aby obliczenia pozostawały wykonalne nawet w miarę wzrostu liczby urządzeń i możliwych reakcji. Testowany na publicznym zbiorze danych włamań sieciowych, system osiągnął wysoką dokładność wykrywania ataków, niezawodnie śledził powolny dryf i generował stabilne, zrozumiałe oceny ryzyka. Mówiąc prościej, praca pokazuje, jak szpitale mogą przejść od reagowania na oczywiste kryzysy do ciągłego monitorowania cichych sygnałów ostrzegawczych, zachowując jednocześnie ludzi w roli decydentów ds. bezpieczeństwa.

Cytowanie: Kiruthika, K., Rajesh, A., Dhapekar, N.K. et al. Slow drift aware dynamic risk assessment in cyber physical systems using quantum neutrosophic fuzzy modelling. Sci Rep 16, 15698 (2026). https://doi.org/10.1038/s41598-026-41732-8

Słowa kluczowe: cyberfizyczne systemy, bezpieczeństwo IoT medycznego, dryf sieci, wykrywanie włamań, dynamiczna ocena ryzyka