Apprendimento profondo Q federato decentralizzato per la sicurezza IoMT: sfruttare MK-VQFHE e blockchain con IPFS

Perché i dispositivi medici connessi più sicuri sono importanti

Dai fitness tracker ai monitor di terapia intensiva, sempre più dispositivi medici sono online e trasmettono dati ininterrottamente. Questo “Internet of Medical Things” promette diagnosi più rapide e cure migliori, ma apre anche la porta a hacker che potrebbero manomettere i registri o interrompere apparecchiature critiche per la vita. Questo articolo esplora un nuovo modo per consentire agli ospedali di apprendere da grandi quantità di dati dei pazienti mantenendo quei dati lontani da occhi indiscreti — e persino dai calcolatori che li analizzano.

Il problema degli ospedali intelligenti odierni

I sensori medici moderni e i sistemi ospedalieri generano quello che gli informatici chiamano big data: informazioni vaste, rapide e varie che possono essere analizzate per segni precoci di malattia o di attacchi informatici. Tradizionalmente, tutti questi dati vengono inviati a un server cloud centrale, dove si addestrano i modelli di machine learning. Quel punto centrale diventa un bersaglio invitante. Gli aggressori possono intercettare, rubare o alterare i registri, o sovraccaricare il server. Perfino norme sulla privacy come HIPAA e GDPR faticano a stare al passo quando i dati grezzi dei pazienti vengono regolarmente copiati e trasferiti in rete. Tentativi precedenti di risolvere il problema con strumenti avanzati di apprendimento e blockchain hanno aiutato, ma spesso facevano affidamento su un singolo server di coordinamento, usavano dati in chiaro o non riuscivano a dimostrare che i calcoli remoti fossero eseguiti correttamente.

Imparare dai dati senza vederli

Gli autori propongono un quadro che combina diverse idee in una pipeline sicura end-to-end. Per prima cosa, ospedali e testbed forniscono dati di rete e relativi ai pazienti provenienti da tre fonti pubbliche di traffico medical‑IoT. Prima di qualsiasi analisi, ogni sito cifra i propri dati usando uno schema chiamato Multi‑Key Verifiable Quaternion Fully Homomorphic Encryption. Sebbene il nome sia tecnico, l'idea di base è semplice: i dati sono bloccati in modo che i server remoti possano comunque eseguire calcoli su di essi, senza mai vedere i valori sottostanti. Chiavi multiple permettono a molte parti di contribuire con dati, e controlli incorporati consentono di verificare che le risposte cifrate del server siano oneste, il tutto senza esporre i segreti.

Condividere l'intelligenza senza condividere i registri

Sopra questa cifratura, il sistema usa uno stile di addestramento collaborativo chiamato apprendimento federato. Invece di inviare i record dei pazienti in un luogo centrale, ogni dispositivo o gateway partecipante addestra un modello locale sui propri dati cifrati e trasmette solo gli aggiornamenti del modello. Gli autori estendono questa idea con una configurazione multi‑agente di deep Q‑learning progettata per individuare minacce di rete. Due “agenti” di apprendimento osservano pattern nel traffico dei dispositivi e apprendono, tramite prova e ricompensa, quali comportamenti appaiono normali e quali somigliano ad attacchi. Una funzione di ricompensa bilancia due obiettivi: catturare più intrusioni e mantenere bassa l'overhead di comunicazione, entrambi cruciali per dispositivi medici con risorse limitate.

Rendere il registro a prova di manomissione e scalabile

Per coordinare molti apprendenti distribuiti senza affidarsi a un singolo server, il framework ricorre alla tecnologia blockchain. Gli aggiornamenti del modello e i riferimenti ai dati memorizzati vengono scritti in un registro distribuito in modo che nessun partecipante possa riscrivere segretamente la storia. Grandi file cifrati vengono mantenuti off‑chain nell'InterPlanetary File System, un livello di archiviazione peer‑to‑peer che identifica i file in base al loro contenuto piuttosto che a una posizione fissa. Solo identificatori di contenuto compatti sono memorizzati sulla blockchain, riducendo l'onere di archiviazione pur garantendo l'integrità. Un protocollo di consenso noto come Practical Byzantine Fault Tolerance permette alla rete di concordare sugli aggiornamenti validi anche se alcuni nodi sono difettosi o maligni, e lo fa con ritardi inferiori e maggiore throughput rispetto a un'alternativa ampiamente usata testata dagli autori.

Quanto funziona bene l'approccio?

I ricercatori valutano il loro sistema su tre diversi dataset di sicurezza medical‑IoT che includono sia comportamenti normali sia una varietà di tipi di attacco. In tutti, il loro metodo rileva le intrusioni con accuratezze comprese tra circa il 99,2% e il 99,4%, superando leggermente diversi baseline di deep learning popolari, come reti neurali convoluzionali e ricorrenti, che scendono sotto il 99%. Allo stesso tempo, lo schema di cifratura proposto cifra e decifra più velocemente rispetto a metodi a chiave pubblica standard come RSA e ad altri strumenti omomorfici usati per il confronto. Lo strato blockchain, combinato con IPFS, aggiunge solo un ritardo modesto per ciascun round di apprendimento fornendo al contempo solide garanzie che gli aggiornamenti del modello e i record memorizzati non siano stati manomessi.

Cosa significa per pazienti e operatori

In termini pratici, questo lavoro dimostra che è possibile per ospedali e produttori di dispositivi mettere in comune la loro esperienza di attacchi informatici e comportamenti anomali, addestrare sistemi di rilevamento potenti e al tempo stesso mantenere i dati grezzi dei pazienti sigillati e sotto controllo locale. Dimostrando che i calcoli cifrati sono corretti, distribuendo la fiducia su molti nodi e filtrando il traffico maligno con alta accuratezza, il framework proposto avvicina l'assistenza sanitaria connessa a essere sia intelligente sia sicura. Sebbene siano necessari ulteriori test nel mondo reale e semplificazioni prima che tali sistemi diventino di routine, lo studio delinea un percorso pratico per apprendere da dati medici sensibili senza mai rivelarli veramente.

Citazione: 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

Parole chiave: Internet of Medical Things, apprendimento federato, cybersicurezza sanitaria, blockchain, IA che preserva la privacy