מסגרת למידה פדרטיבית מפוצלת מלוּות בענן ומבוססת בלוקצ’יין לשמירה על אבטחה ופרטיות של IoMT בבריאות 5.0

מדוע בריאות חכמה בטוחה יותר חשובה

מכשירים רפואיים מודרניים, משעוני כושר ועד חיישנים מקושרים בבתי חולים, משדרים ברציפות נתונים שיכולים לעזור לרופאים לזהות מחלות מוקדם יותר ולהגיב מהר יותר. אך שליחת כל המידע הרגיש לעננים מרוחקים מעלה שאלות קשות: כיצד נשמור על פרטיות המטופלים, נעצור פריצות, ועדיין נוכל להגיב בזמן אמת כשמשהו משתבש? מחקר זה חוקר גישה חדשה לאימון מערכות אבטחה חכמות לרשתות בריאות כך שיוכלו ללמוד ממספר רב של מכשירים מבלי לחשוף נתונים פרטיים או להסתמך על נקודת שליטה בודדת ורגישה.

מכשירים חכמים שלומדים קרוב למטופל

בבתי חולים ובבתיהם של מחר, מוני IoMT רבים אוספים דופק, רמות חמצן בדם ונתונים נוספים. במקום לשלוח את הנתונים הגולמיים לשרת מרכזי, הכותבים משתמשים בטכניקה שבה חלק מהמודל הלמידתי רץ ישירות על כל מכשיר. גלאי תבניות קטן ויעיל מנתח את המדידות המקומיות והופך אותן לאותות מצומצמים שמסתירים את הפרטים המקוריים. אותות אלה, ולא רשומות הבריאות הגולמיות, מועברים הלאה לניתוח נוסף, ובכך מסייעים לשמור על פרטיות המידע האישי של המטופל.

חלוקת העבודה בין קצה לענן

לאחר שהאותות המצומצמים עוזבים את המכשירים, הם מעובדים על ידי מחשבים חזקים יותר הממוקמים בקצה הרשת, קרוב יותר מהענן הרחוק. כאן, חלק שני ועמוק יותר של המודל הלמידתי בוחן כיצד האותות משתנים לאורך זמן כדי לזהות התנהגות חריגה שעשויה להצביע על מתקפות סייבר או תקלות. עיצוב מפוצל זה מאפשר למכשירים קטנים לבצע חישובים קלים בלבד, בעוד שמכונות הקצה מבצעות את העבודה הכבדה. התוצאה היא תגובות מהירות יותר ועיכובים נמוכים ברשת — משמעותי כאשר אזעקות רפואיות או החלטות טיפול תלויות במידע מדויק ובזמן.

בניית אמון באמצעות יומן דיגיטלי משותף

חולשה מרכזית של מערכות למידה רבות היא התלות בשרת מרכזי שמשלב עדכונים מכל המכשירים. אם אותו שרת נפרץ או מתקלקל, המערכת כולה בסיכון. כדי להימנע מכך, הכותבים מטמיעים מערכת בלוקצ’יין מעל תהליך הלמידה. במקום להסתמך על שרת יחיד, מספר צמתים מאמתים ב ביחד כל אצווה של עדכוני מודל. באמצעות שיטת הסכמה שנועדה להיות מהירה ואמינה, הם מחליטים אילו עדכונים מספיק אמיתיים כדי להתווסף ליומן הדיגיטלי המשותף. מכשירים שתורמים מידע איכותי יכולים לקבל תגמול, בעוד שמכשירים חשודים יכולים להיות מסומנים, ובכך נוצר סוג של מוניטין ואחריות אוטומטיים ברשת.

כיצד הגישה החדשה מתפקדת בפועל

הצוות בחן את המסגרת שלהם על שתי אוספי תעבורת רשת גדולים ממערכות בריאות וממכשירים מקושרים אחרים, שכל אחד מתויג כרגיל או כהתקפה. הם השוו את שיטתם לגישה נפוצה שבה כל מכשיר מאמן מודל מלא ושולח רק את הפרמטרים שלו לשרת מרכזי. בסבבי אימון חוזרים ונשנים, המערכת המפוצלת והמלוּות בבלוקצ’יין הגיעה לדיוק גבוה מאוד, קרוב לשלמות במקרים מסוימים, גם כאשר מספר המכשירים המשתתפים גדל. היא גם הפחיתה את שיעור האזהרות השגויות והראתה חוסן גדול יותר בפני מגוון אסטרטגיות התקפה, בעוד ששיטת הבלוקצ’יין הנבחרת אישרה עדכונים במהירות ואיפשרה להוסיף בלוקים מאובטחים רבים בשנייה.

מה זה אומר לטיפול בעתיד

לקורא שאינו מומחה, המסקנה המרכזית היא שעבודה זו מציעה דרך לרשתות בריאות חכמות ללמוד ממספר מכשירים מבלי לרכז את כל הנתונים הרגישים במקום אחד או להסתמך על שרת בודד ופגיע. על ידי חלוקת משימת הלמידה בין קוד פשוט במכשירים, ניתוח חזק יותר בקצה ויומן משותף שעוקב ומאשר שינויים, המסגרת יכולה לזהות איומים באופן אמין יותר ובסיכון נמוך יותר לדליפות נתונים. אם תעובד ותחוזק נגד התקפות מתקדמות, עיצובים כאלה יכולים לסייע להפוך בתי חולים מקושרים ומערכות ניטור ביתיות לחכמים ובטוחים יותר עבור המטופלים.

ציטוט: Baihan, A., Kryvinska, N., Amoon, M. et al. Cloud assisted blockchain-enabled split federated learning framework for security and privacy-preserving of IoMT in healthcare 5.0. Sci Rep 16, 15599 (2026). https://doi.org/10.1038/s41598-026-41771-1

מילות מפתח: בריאות חכמה, אינטרנט של דברים רפואיים, למידה פדרטיבית, אבטחת בלוקצ’יין, גילוי חדירות