DICOM是医学影像交换的标准协议，但许多面向互联网的部署缺乏基本安全控制，导致敏感患者数据暴露。现有测量方法因蜜罐、网络望远镜等欺骗伪影而高估实际暴露量。本文提出一种噪声感知的测量方法，结合主动IPv4全扫描和被动蜜罐部署。主动扫描使用伦理约束的探测（仅限关联协商和C-ECHO），并引入可复现的假阳性过滤方法识别蜜罐、望远镜、畸形响应等欺骗伪影，使暴露量减少39%。过滤后识别出3,979个脆弱的DICOM部署，均无加密且接受未认证连接；其中1,782个运行过时软件，1,551个存在已知远程可利用漏洞。后续扫描显示约50%的暴露服务在5个月内无维护迹象，负责任披露仅带来短暂修复。被动测量方面，部署Dicompot蜜罐发现原始会话日志因通用TCP噪声被误记为DICOM会话而高估活动最多83%。过滤后观察到侦察差距：大多数发送C-ECHO探测的行为者从未升级到数据窃取，与高级行为者识别蜜罐后撤离的行为一致。结果表明，DICOM暴露测量可能被欺骗和日志伪影显著扭曲，但修正后揭示了患者隐私和医疗安全的广泛风险，现有欺骗系统不足以捕获。

医疗影像系统（如DICOM和PACS）的安全性至关重要，因为其暴露可能危及敏感患者数据和临床操作。然而，现有的针对DICOM的防御工具（如蜜罐）交互能力有限，容易被攻击者识别指纹而规避。本文提出了DICOMHawk，一种面向医疗成像基础设施的网络欺骗框架。该框架通过模拟真实的DICOM和PACS服务行为，动态填充逼真的医疗记录，并嵌入蜜标（honeytoken）来增强诱饵的真实性。研究者进行了两项实验：一项为期86天的对比测试（与现有Dicompot蜜罐对比），另一项为期347天跨多个网络的部署。结果表明，DICOMHawk吸引了比Dicompot更多的有效会话，成功避免了蜜罐检测，并捕获了49个针对医疗系统的攻击。这些结果证明，通过构建长期、多位置、高交互性的欺骗环境，可以显著提升对威胁的可见性。DICOMHawk为医疗行业提供了一种新的防御手段，有助于早期发现针对PACS和DICOM基础设施的攻击活动。