Långsam driftmedveten dynamisk riskbedömning i cyberfysiska system med kvantneutrosofuzzy-modellering

Varför tysta förändringar i smarta sjukhus spelar roll

Moderna sjukhus förlitar sig allt mer på uppkopplade maskiner: ventilatorer, infusionspumpar, monitorer och molntjänster som tillsammans bildar ett cyberfysiskt system. Många hot mot dessa system är dramatiska, som uppenbara hackerattacker eller plötsliga enhetsfel. Men denna artikel fokuserar på något mer subtilt och lika farligt: långsamma, nästan osynliga förändringar i nätverksbeteende som byggs upp över tid och kan undergräva patientsäkerheten om de inte upptäcks och hanteras.

Dold nötning i digitala sjukhusnätverk

I ett sjukhusnätverk färdas data från medicinska enheter ständigt mellan sängkantutrustning och centrala servrar. Över månader eller år kan denna trafik gradvis förändras: fördröjningar smyger in, små paketförluster blir vanligare och anslutningar beter sig något annorlunda. Dessa långsamma skift, kända som drift, kan signalera åldrande utrustning, konfigurationsproblem eller dolda intrång som undviker att utlösa traditionella larm. Befintliga verktyg för riskbedömning tenderar att söka efter tydliga, kortsiktiga anomalier och missar ofta denna typ av tyst försämring, särskilt när data är brusiga, ofullständiga eller motsägelsefulla.

Ett flerskiktat säkerhetsnät för uppkopplad vård

Författarna föreslår ett komplett ramverk för att övervaka medicinska cyberfysiska system dynamiskt, istället för att förlita sig på punktkontroller. Först registreras varje medicinsk enhet hos en sjukhusserver och dess data strömmas till ett nätverksbaserat intrångsdetekteringssystem. Där fylls saknade värden i, mätningar normaliseras och nyckelfunktioner i kommunikationsbeteendet extraheras. En ny metod, kallad kvanttillståndsbaserat exponentiellt viktat glidande medelvärde, används sedan för att följa långsam drift. Genom att koda trafikmönster på ett sätt som betonar subtila överlappningar och långsiktiga trender kan denna metod upptäcka mjuka men bestående förändringar som äldre statistiska metoder förbiser.

Smartare intrångsdetektion och riskpoängsättning

För att känna igen verkliga attacker i denna föränderliga miljö använder ramverket en avancerad neuronnätsmodell som har finslipats för stabilitet och snabbhet. Särskilda val av viktinitialisering och aktiveringsfunktion hjälper nätverket att lära sig från långa trafiksekvenser utan att dess interna signaler mattas ut eller låser sig, vilket förbättrar både noggrannhet och träningstid. När möjliga intrång flaggas kombineras deras signaler med andra anomaliindikatorer med en teknik som uttryckligen tar hänsyn till hur olika varningssignaler förstärker eller duplicerar varandra. Istället för att bara medelvärdesbilda poäng modellerar metoden parvisa och smågruppsberoenden så att flera svaga indikatorer som uppträder tillsammans kan behandlas som en allvarlig oro.

Möta osäkerhet rakt på

Verkliga sjukhusdata är sällan entydiga. Mätningar kan vara inkonsekventa och experter kanske inte är helt ense om hur riskfyllt ett mönster är. För att hantera detta använder författarna en logik som representerar varje situation med tre komponenter: bevis för att något är fel, bevis för att det är normalt, och en tredje del som fångar verklig osäkerhet. Innan dessa delar kombineras skalas poängen till ett gemensamt intervall så att den slutliga riskmåttet förblir tolkbart. Systemet förklarar sedan sitt eget resonemang med en förbättrad form av bidragsanalys, som lyfter fram vilka trafikfunktioner och anomalisignaler som drev risken upp eller ner, vilket hjälper kliniker och ingenjörer att lita på och validera resultaten.

Göra riskinsikt till rättidig handling

Att veta att risken ökar är bara användbart om det leder till förnuftiga åtgärder. Det sista steget i ramverket använder en strukturerad beslutsmodell för att välja åtgärder, såsom att skärpa åtkomstkontroller, filtrera misstänkt trafik eller i extrema fall isolera enheter och återgå till manuell drift. Denna beslutsmotor är konstruerad för att hålla beräkningarna hanterbara även när antalet enheter och möjliga svar växer. Testat på en offentlig dataset för nätverksintrång uppnådde hela systemet hög träffsäkerhet i att upptäcka attacker, följde tillförlitligt långsam drift och producerade stabila, begripliga riskpoäng. Enkelt uttryckt visar arbetet hur sjukhus kan gå från att reagera på uppenbara kriser till att kontinuerligt bevaka tysta varningstecken, samtidigt som människor behåller kontrollen över säkerhetsbesluten.

Citering: 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

Nyckelord: cyberfysiska system, säkerhet för medicinsk IoT, nätverksdrift, intrångsdetektion, dynamisk riskbedömning