Dezentrales föderiertes Deep‑Q‑Learning für IoMT‑Sicherheit: Nutzung von MK‑VQFHE und Blockchain mit IPFS

Warum sicherere vernetzte medizinische Geräte wichtig sind

Von Fitness‑Trackern bis zu Intensivüberwachungsgeräten sind immer mehr medizinische Geräte online und streamen kontinuierlich Daten. Dieses „Internet of Medical Things“ verspricht schnellere Diagnosen und bessere Versorgung, öffnet aber zugleich Angreifern die Tür, die Aufzeichnungen manipulieren oder lebenswichtige Geräte stören könnten. Dieser Artikel untersucht einen neuen Ansatz, mit dem Krankenhäuser aus großen Mengen von Patientendaten lernen können, während diese Daten vor neugierigen Blicken — und sogar vor den Rechnern, die sie analysieren — geschützt bleiben.

Das Problem moderner vernetzter Krankenhäuser

Moderne medizinische Sensoren und Krankenhaus‑Systeme erzeugen das, was Informatiker als Big Data bezeichnen: riesige, schnelle und vielfältige Informationsmengen, die nach frühen Anzeichen von Krankheiten oder Cyberangriffen durchforstet werden können. Traditionell werden diese Daten an einen zentralen Cloud‑Server gesendet, wo Machine‑Learning‑Modelle trainiert werden. Dieser zentrale Punkt wird so zu einem verlockenden Ziel. Angreifer können mitlauschen, Datensätze stehlen oder verändern oder den Server überlasten. Selbst Datenschutzregelungen wie HIPAA und DSGVO haben Schwierigkeiten mitzuhalten, wenn Rohdaten routinemäßig kopiert und über Netze bewegt werden. Frühere Versuche, das mit fortgeschrittenen Lern‑ und Blockchain‑Werkzeugen zu lösen, halfen zwar, beruhten aber oft auf einem einzelnen koordinierenden Server, verwendeten unverschlüsselte Daten oder konnten nicht nachweisen, dass entfernte Berechnungen korrekt durchgeführt wurden.

Aus Daten lernen, ohne sie zu sehen

Die Autoren schlagen ein Framework vor, das mehrere Ideen zu einer durchgehenden sicheren Pipeline verbindet. Zunächst liefern Krankenhäuser und Testumgebungen Netzwerk‑ und patientenbezogene Daten aus drei öffentlichen Quellen von medizinischem IoT‑Verkehr. Vor jeder Analyse verschlüsselt jede Einrichtung ihre Daten mit einem Schema namens Multi‑Key Verifiable Quaternion Fully Homomorphic Encryption. Obwohl die Bezeichnung technisch klingt, ist die Kernidee einfach: Die Daten werden so verschlossen, dass entfernte Server weiterhin Berechnungen darauf ausführen können, ohne jemals die zugrunde liegenden Werte zu sehen. Mehrere Schlüssel ermöglichen es vielen Parteien, Daten beizusteuern, und eingebaute Prüfungen erlauben es, die Ehrlichkeit der verschlüsselten Antworten des Servers zu verifizieren — alles, ohne die Geheimnisse preiszugeben.

Intelligenz teilen, ohne Datensätze weiterzugeben

Auf diese Verschlüsselungsschicht setzt das System eine Form des kollaborativen Trainings namens föderiertes Lernen. Anstatt Patientendaten an einen zentralen Ort zu senden, trainiert jedes teilnehmende Gerät oder Gateway ein lokales Modell auf seinen eigenen verschlüsselten Daten und übermittelt nur Modellupdates. Die Autoren erweitern diese Idee um ein Multi‑Agenten‑Deep‑Q‑Learning‑Setup, das speziell auf das Erkennen von Netzwerkbedrohungen zugeschnitten ist. Zwei Lernagenten beobachten Muster im Geräteverkehr und lernen durch Versuch und Belohnung, welche Verhaltensweisen normal sind und welche Angriffen ähneln. Eine Belohnungsfunktion balanciert zwei Ziele aus: mehr Eindringlinge zu erfassen und gleichzeitig den Kommunikationsaufwand niedrig zu halten — beides entscheidend für ressourcenbeschränkte medizinische Geräte.

Die Ledger fälschungssicher und skalierbar machen

Um viele verteilte Lernende zu koordinieren, ohne einem einzigen Server zu vertrauen, greift das Framework auf Blockchain‑Technologie zurück. Modellupdates und Verweise auf gespeicherte Daten werden in ein verteiltes Ledger geschrieben, sodass kein Teilnehmer heimlich die Historie umschreiben kann. Große verschlüsselte Dateien selbst werden außerhalb der Chain im InterPlanetary File System aufbewahrt, einer Peer‑to‑Peer‑Speicherschicht, die Dateien anhand ihres Inhalts und nicht anhand eines festen Speicherorts identifiziert. Nur kompakte Inhaltsidentifikatoren werden in der Blockchain abgelegt, was den Speicherbedarf reduziert und zugleich Integrität garantiert. Ein Konsensprotokoll, bekannt als Practical Byzantine Fault Tolerance, ermöglicht es dem Netzwerk, gültigen Updates auch dann zuzustimmen, wenn einige Knoten fehlerhaft oder böswillig sind, und erreicht dabei geringere Verzögerung und höhere Durchsatzraten als eine von den Autoren getestete weit verbreitete Alternative.

Wie gut funktioniert der Ansatz?

Die Forscher bewerten ihr System anhand von drei verschiedenen medizinischen‑IoT‑Sicherheitsdatensätzen, die sowohl normales Verhalten als auch eine Vielzahl von Angriffstypen enthalten. In allen Datensätzen erkennt ihre Methode Eindringversuche mit Genauigkeiten zwischen etwa 99,2 % und 99,4 % und liegt damit leicht vor mehreren populären Deep‑Learning‑Baselines wie Convolutional und Recurrent Neural Networks, die unter 99 % bleiben. Gleichzeitig verschlüsselt und entschlüsselt das vorgeschlagene Schema schneller als standardmäßige Public‑Key‑Verfahren wie RSA und andere für den Vergleich verwendete homomorphe Werkzeuge. Die Blockchain‑Schicht in Kombination mit IPFS fügt pro Lernrunde nur eine moderate Verzögerung hinzu, während sie starke Garantien dafür bietet, dass Modellupdates und gespeicherte Aufzeichnungen nicht manipuliert wurden.

Was das für Patientinnen, Patienten und Anbieter bedeutet

Alltäglich ausgedrückt zeigt diese Arbeit, dass Krankenhäuser und Gerätehersteller ihre Erfahrungen mit Cyberangriffen und ungewöhnlichem Verhalten bündeln, leistungsfähige Erkennungssysteme trainieren und dabei Roh‑Patientendaten versiegelt und lokal kontrolliert halten können. Indem sie beweisen, dass verschlüsselte Berechnungen korrekt sind, Vertrauen über viele Knoten verteilen und bösartigen Datenverkehr mit hoher Genauigkeit herausfiltern, bringt das vorgeschlagene Framework die vernetzte Gesundheitsversorgung einen Schritt näher an die Kombination aus smart und sicher. Zwar sind weitere Tests in realen Umgebungen und Vereinfachungen nötig, bevor solche Systeme alltäglich werden, doch die Studie skizziert einen praktischen Weg, aus sensiblen medizinischen Daten zu lernen, ohne sie jemals wirklich offenlegen zu müssen.

Zitation: ChandraUmakantham, O., Ravi, K., Marappan, S. et al. Decentralized federated deep Q-learning for IoMT security: leveraging MK-VQFHE and blockchain with IPFS. Sci Rep 16, 13896 (2026). https://doi.org/10.1038/s41598-025-13519-w

Schlüsselwörter: Internet der medizinischen Dinge, föderiertes Lernen, Cybersicherheit im Gesundheitswesen, Blockchain, datenschutzwahrende KI