该论文面向医疗物联网（Healthcare-IoT, H-IoT）中的网络安全威胁，提出了一套基于深度学习的安全防护方案。H-IoT中可穿戴设备资源受限，传统复杂深度学习模型难以部署，同时现有数据集质量参差不齐，限制了安全模型的实用性。为此，论文开发了多个真实场景数据集，并设计了轻量级模型：时间卷积网络（TCN）和残差时间卷积网络（Res-TCN），用于检测DDoS、选择性转发（SF）和中间人（MITM）攻击。论文生成了三个数据集：UE-ECE-MQTT-DDoS-H-IoT2025和UL-ECE-UDP-DDoS-H-IoT2025分别通过Cooja和ns-3模拟捕获MQTT和UDP协议下的DDoS流量特征；UL-ECE-MultiAttack-H-IoT2025则融合生理信号和网络流量特征，覆盖多种攻击。模型基于监控频率进行检测，并采用动态阈值实现缓解。为支持边缘部署，模型被量化为TensorFlow Lite格式，成功在Raspberry Pi 4上实现实时DDoS检测，兼具低延迟和低功耗。论文最终建立了从数据集生成、轻量模型设计到边缘部署的完整H-IoT安全防御链路，为资源受限环境下的医疗设备安全提供了可行方案。适合物联网安全、医疗系统安全及边缘AI研究人员阅读。

该论文针对6G使能的医疗物联网（Healthcare IoT）场景中边缘网关的流量控制问题展开研究。医疗物联网服务依赖边缘网关转发常规遥测数据，并传输偶发但时间紧急的报警消息。即使短暂的流量突发也可能显著恶化最坏情况下的时延，干扰紧急消息的及时传递。作者提出NANOEDGEGUARD系统，一种位于内核平面的闭环控制器，在边缘节点上观测每个数据源的流量强度，并通过内核流量控制钩子实施可审计、多层次的速率策略。与静态防火墙规则或用户态控制循环不同，该设计强调快速动作和通过滞回机制实现的显式恢复，同时记录策略变迁以供审计。实验基于树莓派网关（运行MQTT代理）和两个ESP32终端（产生生命体征数据、报警消息和定时突发流量）构建的测试平台。结果表明，与用户态防火墙基线相比，自适应内核平面速率控制将报警消息的第99百分位往返时延（RTT）降低了13.3%，同时保持与无强制控制接近的RTT水平；与无强制控制相比，额外准入的突发流量减少了46%。这些初步结果证明，在网关处实施自适应且可审计的速率控制能够提升医疗物联网的韧性，并有望扩展到未来边缘智能中的按需策略部署。本文适合从事边缘计算、物联网安全、医疗系统可靠性和网络流量工程研究的学者与工程师阅读。