Zdecentralizowane federacyjne głębokie uczenie Q dla bezpieczeństwa IoMT: wykorzystanie MK-VQFHE i blockchaina z IPFS

Dlaczego bezpieczniejsze połączone urządzenia medyczne są ważne

Od opasek fitness po monitory intensywnej terapii — coraz więcej urządzeń medycznych jest podłączonych do sieci i nieustannie przesyła dane. Ten „Internet rzeczy medycznych” obiecuje szybsze diagnozy i lepszą opiekę, ale jednocześnie otwiera drzwi dla hakerów, którzy mogli manipulować zapisami lub zakłócać urządzenia krytyczne dla życia. Artykuł bada nowy sposób, który pozwala szpitalom uczyć się na ogromnych zbiorach danych pacjentów, jednocześnie chroniąc te dane przed ciekawskimi oczami — a nawet przed komputerami, które je analizują.

Problem współczesnych inteligentnych szpitali

Nowoczesne czujniki medyczne i systemy szpitalne generują to, co informatycy nazywają big data: ogromne, szybkie i zróżnicowane zbiory informacji, z których można wydobywać wczesne sygnały chorób lub ataków cybernetycznych. Tradycyjnie wszystkie te dane są wysyłane do centralnego serwera w chmurze, gdzie trenowane są modele uczenia maszynowego. Ten centralny punkt staje się atrakcyjnym celem. Atakujący mogą podsłuchiwać, kraść lub modyfikować zapisy, albo przeciążać serwer. Nawet regulacje prywatności, takie jak HIPAA czy RODO, mają trudności z nadążeniem, gdy surowe dane pacjentów są rutynowo kopiowane i przemieszczane po sieciach. Wcześniejsze próby naprawy tego za pomocą zaawansowanych metod uczenia i narzędzi blockchain pomogły, ale często polegały na pojedynczym serwerze koordynującym, używały niezaszyfrowanych danych lub nie potrafiły udowodnić, że zdalne obliczenia zostały wykonane poprawnie.

Uczenie się na danych bez ich oglądania

Autorzy proponują ramy łączące kilka pomysłów w jedną bezpieczną ścieżkę end-to-end. Po pierwsze, szpitale i laboratoria testowe dostarczają dane sieciowe i związane z pacjentami z trzech publicznych źródeł ruchu IoT medycznego. Zanim nastąpi jakakolwiek analiza, każde miejsce szyfruje swoje dane za pomocą schematu nazwanego Wielokluczowym Weryfikowalnym Kwaternionowym W pełni Homomorficznym Szyfrowaniem (Multi-Key Verifiable Quaternion Fully Homomorphic Encryption). Choć nazwa jest techniczna, idea jest prosta: dane są zablokowane w taki sposób, że zdalne serwery nadal mogą na nich wykonywać obliczenia, ale nigdy nie widzą ich wartości. Wielokrotne klucze pozwalają wielu stronom wnosić dane, a wbudowane mechanizmy weryfikacji umożliwiają potwierdzenie, że zaszyfrowane odpowiedzi serwera są uczciwe, bez ujawniania tajemnic.

Dzielenie się inteligencją bez udostępniania zapisów

Na szczycie tego szyfrowania system wykorzystuje styl wspólnego uczenia zwanego uczeniem federacyjnym. Zamiast wysyłać rekordy pacjentów do centralnej lokalizacji, każde uczestniczące urządzenie lub bramka trenuje lokalny model na własnych zaszyfrowanych danych i przesyła jedynie aktualizacje modelu. Autorzy rozszerzają ten pomysł o wieloagentowe głębokie uczenie Q, dostosowane do wykrywania zagrożeń w sieci. Dwa „agenty” uczące się obserwują wzorce w ruchu urządzeń i poprzez próby i nagrody uczą się, które zachowania wyglądają normalnie, a które przypominają ataki. Funkcja nagrody równoważy dwa cele: wykrywanie większej liczby włamań i utrzymanie niskiego narzutu komunikacyjnego, co jest kluczowe dla urządzeń medycznych o ograniczonych zasobach.

Uczynienie księgi wieczystej odpornej na manipulacje i skalowalnej

Aby koordynować wiele rozproszonych uczących się podmiotów bez zaufania do pojedynczego serwera, ramy sięgają po technologię blockchain. Aktualizacje modeli i odnośniki do przechowywanych danych zapisywane są w rozproszonej księdze, tak by żaden uczestnik nie mógł potajemnie przepisać historii. Duże zaszyfrowane pliki przechowywane są poza łańcuchem w InterPlanetary File System — warstwie przechowywania peer-to-peer, która identyfikuje pliki na podstawie ich treści, a nie stałej lokalizacji. Tylko kompaktowe identyfikatory zawartości są zapisywane w blockchainie, co zmniejsza zapotrzebowanie na przestrzeń przy jednoczesnym gwarantowaniu integralności. Protokół konsensusu znany jako Practical Byzantine Fault Tolerance pozwala sieci zgodzić się co do ważnych aktualizacji nawet jeśli niektóre węzły są wadliwe lub złośliwe, i robi to z niższymi opóźnieniami oraz większą przepustowością niż szeroko używana alternatywa, przetestowana przez autorów.

Jak dobrze działa proponowane podejście?

Naukowcy ocenili swój system na trzech różnych zbiorach danych dotyczących bezpieczeństwa IoT medycznego, które zawierały zarówno normalne zachowania, jak i różne typy ataków. We wszystkich przypadkach ich metoda wykrywała włamania z dokładnością od około 99,2% do 99,4%, nieznacznie przewyższając kilka popularnych bazowych modeli głębokiego uczenia, takich jak sieci konwolucyjne i rekurencyjne, które osiągały wyniki poniżej 99%. Jednocześnie proponowany schemat szyfrowania szyfruje i odszyfrowuje szybciej niż standardowe metody z kluczem publicznym, takie jak RSA, oraz inne narzędzia homomorficzne użyte do porównania. Warstwa blockchain, w połączeniu z IPFS, dodaje tylko umiarkowane opóźnienie na rundę uczenia, zapewniając jednocześnie silne gwarancje, że aktualizacje modeli i przechowywane zapisy nie zostały zmanipulowane.

Co to oznacza dla pacjentów i świadczeniodawców

Mówiąc prosto, praca ta pokazuje, że szpitale i producenci urządzeń mogą łączyć swoje doświadczenia z atakami cybernetycznymi i nietypowym zachowaniem, trenować zaawansowane systemy wykrywania, a jednocześnie trzymać surowe dane pacjentów zamknięte i pod lokalną kontrolą. Udowadniając poprawność zaszyfrowanych obliczeń, rozpraszając zaufanie pomiędzy wieloma węzłami i odfiltrowując złośliwy ruch z wysoką dokładnością, proponowane ramy przybliżają opiekę zdrowotną online do stanu, w którym jest jednocześnie inteligentna i bezpieczna. Chociaż potrzeba dalszych testów w rzeczywistych warunkach i uproszczeń, zanim takie systemy staną się powszechne, badanie wskazuje praktyczną ścieżkę do uczenia się na wrażliwych danych medycznych bez ich rzeczywistego ujawniania.

Cytowanie: 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

Słowa kluczowe: Internet rzeczy medycznych, uczenie federacyjne, cyberbezpieczeństwo w opiece zdrowotnej, blockchain, Sztuczna inteligencja chroniąca prywatność