Avaliação dinâmica de risco consciente do desvio lento em sistemas ciberfísicos usando modelagem quântica neutrosófica fuzzy

Por que mudanças discretas em hospitais inteligentes importam

Hospitais modernos dependem cada vez mais de máquinas conectadas: ventiladores, bombas de infusão, monitores e serviços em nuvem que, em conjunto, formam um sistema ciberfísico. Muitas ameaças a esses sistemas são dramáticas, como tentativas óbvias de invasão ou falhas súbitas de dispositivos. Mas este artigo foca em algo mais sutil e igualmente perigoso: mudanças lentas e quase invisíveis no comportamento da rede que se acumulam ao longo do tempo e podem comprometer a segurança do paciente se não forem detectadas e gerenciadas.

Desgaste oculto nas redes hospitalares digitais

Em uma rede hospitalar, dados de dispositivos médicos trafegam constantemente entre equipamentos à beira do leito e servidores centrais. Ao longo de meses ou anos, esse tráfego pode mudar gradualmente: atrasos surgem, pequenas perdas de pacotes tornam-se mais frequentes e conexões passam a se comportar de maneira ligeiramente diferente. Esses deslocamentos lentos, conhecidos como desvio, podem indicar equipamentos envelhecendo, problemas de configuração ou intrusões furtivas que evitam disparar alarmes tradicionais. Ferramentas de avaliação de risco existentes tendem a buscar anomalias claras e de curto prazo e frequentemente deixam passar esse tipo de degradação silenciosa, especialmente quando os dados são ruidosos, incompletos ou contraditórios.

Uma rede de segurança em camadas para cuidados conectados

Os autores propõem uma estrutura completa para monitorar sistemas ciberfísicos médicos de forma dinâmica, em vez de depender de verificações pontuais. Primeiro, cada dispositivo médico é registrado em um servidor hospitalar e seus dados são transmitidos para um sistema de detecção de intrusão de rede. Lá, valores ausentes são preenchidos, medições são normalizadas e características-chave do comportamento de comunicação são extraídas. Uma abordagem nova, chamada média móvel exponencial baseada em estado quântico, é então usada para rastrear o desvio lento. Ao codificar padrões de tráfego de uma forma que enfatiza sobreposições sutis e tendências de longo prazo, esse método consegue identificar mudanças suaves porém persistentes que estatísticas mais antigas deixam passar.

Detecção de intrusão e pontuação de risco mais inteligentes

Para reconhecer ataques reais nesse ambiente em evolução, a estrutura usa um modelo neural avançado ajustado para estabilidade e velocidade. Escolhas especiais na inicialização de pesos e na função de ativação ajudam a rede a aprender a partir de sequências longas de tráfego sem que seus sinais internos se atenuem ou travem, o que melhora tanto a precisão quanto o tempo de treinamento. Uma vez que possíveis intrusões são sinalizadas, seus indícios são combinados com outros indicadores de anomalia usando uma técnica que leva explicitamente em conta como diferentes sinais de alerta se reforçam ou se duplicam. Em vez de simplesmente fazer uma média das pontuações, o método modela dependências pareadas e de pequenos grupos para que múltiplos indicadores fracos ocorrendo juntos sejam tratados como uma preocupação séria.

Encarando a incerteza de frente

Dados reais de hospitais dificilmente são inequívocos. Medições podem ser inconsistentes e especialistas podem não concordar totalmente sobre o quão arriscado um padrão é. Para lidar com isso, os autores adotam uma lógica que representa cada situação usando três componentes: evidência de que algo está errado, evidência de que está normal e uma terceira parte que captura a incerteza genuína. Antes de combinar esses elementos, as pontuações são escaladas para uma faixa comum para que a medida final de risco permaneça interpretável. O sistema então explica seu próprio raciocínio usando uma forma aprimorada de análise de contribuição, que destaca quais características de tráfego e sinais de anomalia elevaram ou reduziram o risco, ajudando clínicos e engenheiros a confiar e validar os resultados.

Transformando percepção de risco em ação oportuna

Saber que o risco está aumentando só é útil se levar a ações sensatas. A etapa final da estrutura usa um modelo de decisão estruturado para escolher estratégias de mitigação, como aperfeiçoar controles de acesso, filtrar tráfego suspeito ou, em casos extremos, isolar dispositivos e recorrer à operação manual. Esse motor de decisão foi projetado para manter os cálculos gerenciáveis mesmo à medida que o número de dispositivos e respostas possíveis cresce. Testado em um conjunto de dados público de intrusão de rede, o sistema geral alcançou alta precisão na detecção de ataques, rastreou com confiabilidade o desvio lento e produziu pontuações de risco estáveis e compreensíveis. Em termos simples, o trabalho mostra como hospitais podem passar de reagir a crises óbvias para monitorar continuamente sinais silenciosos de alerta, mantendo ainda os humanos no comando das decisões de segurança.

Citação: 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

Palavras-chave: sistemas ciberfísicos, segurança de IoT médico, desvio de rede, detecção de intrusão, avaliação dinâmica de risco