arXiv cs.AI· Pranav Patel, Siva Kannathasan, Prerak Patel, Jigar Patel, Vansh Patel, Sheel Patel·· 1 天前AI 评分31
面向 AI 对抗条件下互联临床技术的临床协议感知网络韧性框架
Clinical-Protocol-Aware Cyber Resilience for Connected Clinical Technologies Under AI-Enabled Adversarial Conditions
AI 导读
一篇 arXiv 论文提出基于有界临床微网络与受控互联的临床协议感知网络韧性框架，将临床因素纳入网络安全的设计、管理与评估，覆盖预防、遏制与事件响应。参数化蒙特卡洛模拟显示，互联架构使平均网络暴露较分段架构上升 56.3%，而预防与遏制组合相较无控制措施降低暴露 60.1%；协议依赖度提升可使建模临床影响指数从 1.021 升至 7.567，而平均网络暴露不变。
正文 · AI 翻译
摘要：医疗保健日益依赖互联医疗设备、临床信息系统、云服务和分布式护理技术，在临床工作流程中产生了网络安全风险。AI 赋能的能力可以加速漏洞发现和攻击路径分析，从而增加了限制入侵传播的需求。本文提出了一种基于有界临床微网络和受控互连的、临床协议感知的网络韧性框架。该框架将临床因素融入网络安全的设计、管理和评估，涵盖预防、遏制和事件响应。参数化蒙特卡洛模拟将技术性网络暴露与建模的临床后果区分开来。实验研究了架构连通性、对抗能力、安全控制、协议依赖性、风险对齐、通信方向性、生命周期集成和响应时机。在模拟假设下，与分段架构相比，互联架构使平均网络暴露增加 56.3%，而预防与遏制相结合相对于无控制措施使暴露降低 60.1%。增加协议依赖性使建模的临床影响指数从 1.021 升至 7.567，而平均网络暴露不变，表明技术暴露与临床后果可能发生背离。风险对齐实验进一步表明，当更大的技术风险对应更大的临床意义时，建模的临床影响更高。这些发现支持比较性架构分析，而非对现实世界网络风险、控制有效性或患者伤害的校准估计。该框架为互联医疗环境中的安全边界设计、控制优先级排序和协同遏制提供了一种临床情境感知的方法。
| 评论： | 本工作已提交至 IEEE 以供可能的发表。版权可能未经通知即被转让，此后本版本可能不再可访问 |
| 主题： | 人工智能 (cs.AI)；计算工程、金融与科学 (cs.CE)；新兴技术 (cs.ET)；网络与互联网架构 (cs.NI)；系统与控制 (eess.SY) |
| 引用为： | arXiv:2610.41784 [cs.AI] |
| （或 arXiv:2610.41784v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.41784 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pranav Patel [查看电子邮件]
[v1]
2026年10月30日星期五 14:18:39 UTC（541 KB）
来源：arXiv cs.AI · arxiv.org