Resilient Cloud Architectures with AI Agents for Enhancing Cybersecurity in Health Information Systems
Notice bibliographique
Résumé
The growing adoption of electronic health records (EHRs), Internet of Medical Things (IoMT) devices and cloud-hosted platforms have not only improved healthcare efficiency but also expanded the cybersecurity vulnerabilities by expanding the attack surface. This highlights the need for resilient, adaptive and robust security frameworks in cloud environments. This study presents a resilient cloud architecture with AI agents for enhancing cybersecurity in healthcare information systems. The framework integrates an Isolation Forest (iForest) as a first-layer anomaly detector and XGBoost classifier for supervised intrusion detection, forming a two-layered defense mechanism. The iForest module isolates abnormal traffic patterns and filters potential intrusions, while the XGBoost classifier performs fine-grained classification of retained traffic flows. Together, this hybrid design minimizes false alarms, reduces misclassifications and ensures that benign and attack traffic are accurately distinguished in real time. Using the CIC IoMT 2024 dataset, the hybrid framework achieved an accuracy of 98.48%, a precision of 99.23%, a recall of 98.85%, and an F1-score of 99.04%, outperforming standalone baselines. ROC analysis further confirmed the framework’s superior detection capability with an AUC of 0.99. The framework’s layered adaptability and scalability make it well-suited for securing sensitive medical data and ensuring the continuity of healthcare services.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».