基于机器学习的电子医疗记录系统网络事件检测数据集
数据来源：互联网公开数据
标签：网络安全, 电子医疗记录, 网络事件检测, 异常检测, 机器学习, 医疗数据
数据概述：
本数据集用于基于机器学习的电子医疗记录（Electronic Medical Record, EMR）系统网络事件检测研究，重点关注医疗数据的保密性和可用性。数据集包含正常记录和异常记录，旨在模拟真实医疗环境中的数据状态，供网络安全分析和异常检测算法的开发与验证使用。
- 正常数据集（Normal）：包含16,164名患者的基本信息，如姓名、地址、出生日期、性别、种族、族裔等。这些数据代表了正常的医疗记录，无任何异常或篡改迹象。
- 异常数据集（Anomaly）：包含36,447名患者的数据，这些数据模拟了潜在的网络事件或数据篡改情况，例如敏感信息泄露、数据被篡改或未经授权访问等。
- 综合数据集（Combined）：将正常数据集和异常数据集合并，形成一个包含68,775名患者的综合数据集。其中，包含2倍的正常记录和1倍的异常记录，用于构建更加复杂的分析场景。
数据集中的每条记录都包含患者的基本信息字段，具体字段包括但不限于：姓名、地址、出生日期、性别、种族、族裔等，以模拟真实的医疗记录结构。此外，异常数据集通过人为添加异常特征，模拟网络攻击或数据篡改行为，为机器学习模型的训练和评估提供支持。
数据用途概述：
该数据集适用于以下场景：
- 网络安全研究：研究人员可以利用此数据集开发和测试基于机器学习的网络事件检测算法，识别电子医疗记录系统中的异常行为或潜在的安全威胁。
- 异常检测模型开发：数据集中的正常和异常样本比例设计合理，适合训练和评估异常检测模型，帮助发现医疗数据中的潜在篡改或泄露行为。
- 医疗信息安全评估：医疗机构和网络安全专家可以使用该数据集评估现有EMR系统的安全性，识别数据泄露或篡改的风险点。
- 机器学习算法验证：数据集提供了真实医疗数据的模拟场景，可用于验证和优化各种机器学习算法在医疗信息安全领域的应用效果。
- 教育与培训：数据集也可用于网络安全和医疗信息管理领域的教育和培训，帮助学习者了解医疗数据的安全挑战和解决方案。
此数据集的公开发布，为医疗信息安全领域的研究和实践提供了重要支持，有助于推动基于机器学习的网络安全技术在医疗行业的应用与发展。
