本文介绍了 IoMT-SecAlarmBench，一个面向医疗物联网（IoMT）完整性攻击的反事实基准测试。IoMT 将临床生理数据与网络系统信息结合，使得判断异常读数究竟代表真实生理事件、设备故障还是网络攻击变得极具挑战性。要回答这一问题，需要反事实的真实标签，即知道在没有攻击的情况下本应出现的正常信号，而现有数据集均未提供此类信息。为此，作者提出了一个半合成基准，通过在真实的耦合心电图（ECG）和光电容积脉搏波（PPG）记录中注入受控的完整性攻击，并采用结构化实验设计，包括四种攻击形态、四种严重等级、两种生理合理性条件以及重放攻击。每个注入窗口都保留了其成因、攻击子类型以及未受攻击时的干净信号，从而为评估检测算法提供了可靠的基准真相。研究中评估了来自五个方法家族的六种检测器，使用与阈值无关的指标和匹配的误报预算进行比较。结果表明，没有一种方法能够持续检测最困难的情况：重放攻击和低幅度瞬态尖峰在各种检测器上均接近随机的性能水平。此外，结果还揭示了检测攻击与区分传感器故障之间的权衡：在困难案例上表现最好的检测器，其对故障/伪影窗口的误报率是正常数据误报率的 5.3 倍。三路分类（正常、攻击、故障）在真实生理事件上表现不佳，而对双模态网络数据集进行的泄漏审计表明，先前报道的 IoMT 入侵检测性能部分是由识别信息驱动的，而非真正的检测能力。作者发布了基准数据集、生成代码、预处理流程、评估工具和数据表，以促进该领域的可复现研究。本文适合医疗设备安全研究人员、入侵检测算法开发者以及 IoMT 安全评估者阅读。

本论文提出了一种名为SAMD的自动化工具，用于在AI/ML赋能的医疗设备设计阶段进行安全分析。随着AI/ML在医疗系统中的广泛应用，安全风险日益突出，尤其是对手通过脆弱组件注入虚假数据导致误诊或错误治疗的风险。这些风险在设计阶段难以预见，因为系统组装部分发生在最终用户实际使用过程中。SAMD基于系统理论过程分析安全（STPA-Sec）方法，将医疗系统建模为控制结构，将所有组件视为向ML引擎注入虚假数据的潜在点。它利用最新的漏洞数据库和大语言模型（LLM）来自动化漏洞发现，并生成潜在攻击场景列表。作者通过五个FDA批准的医疗设备案例研究验证了SAMD的有效性，结果显示：在识别目标设备技术方面精确率达100%；检索相关已知漏洞的精确率为63.2%；生成高度相关的ML模型攻击场景（包含对手可能采取的详细步骤）准确率达95.3%，且最长运行时间为191.64秒。该工具旨在帮助医疗设备制造商在设计阶段提前识别和缓解安全威胁。