Aprendizado profundo Q federado descentralizado para segurança do IoMT: aproveitando MK-VQFHE e blockchain com IPFS

Por que dispositivos médicos conectados mais seguros importam

De rastreadores de atividade a monitores de terapia intensiva, cada vez mais dispositivos médicos estão online e transmitindo dados continuamente. Essa “Internet das Coisas Médicas” promete diagnósticos mais rápidos e cuidado aprimorado, mas também abre portas para invasores que podem adulterar registros ou interromper equipamentos críticos. Este artigo explora uma nova forma de permitir que hospitais aprendam com grandes volumes de dados de pacientes mantendo esses dados inacessíveis a olhares curiosos — e até aos próprios computadores que os analisam.

O problema dos hospitais inteligentes atuais

Sensores médicos modernos e sistemas hospitalares geram o que cientistas da computação chamam de big data: informações vastas, rápidas e variadas que podem ser exploradas em busca de sinais precoces de doenças ou ataques cibernéticos. Tradicionalmente, todos esses dados são enviados a um servidor em nuvem central, onde modelos de aprendizado de máquina são treinados. Esse ponto central se torna um alvo atraente. Atacantes podem interceptar, roubar ou alterar registros, ou sobrecarregar o servidor. Mesmo regras de privacidade como HIPAA e GDPR têm dificuldade de acompanhar quando dados brutos de pacientes são rotineiramente copiados e movidos pela rede. Tentativas anteriores de resolver isso com ferramentas avançadas de aprendizado e blockchain ajudaram, mas muitas vezes dependiam de um servidor coordenador único, usavam dados em claro (não criptografados) ou não conseguiam provar que cálculos remotos foram realizados corretamente.

Aprendendo com dados sem vê‑los

Os autores propõem um arcabouço que combina várias ideias em um pipeline seguro de ponta a ponta. Primeiro, hospitais e ambientes de teste fornecem dados de rede e relacionados a pacientes a partir de três fontes públicas de tráfego médico‑IoT. Antes de qualquer análise, cada local criptografa seus dados usando um esquema chamado Multi‑Key Verifiable Quaternion Fully Homomorphic Encryption. Apesar do nome técnico, a ideia central é simples: os dados são travados de modo que servidores remotos ainda possam realizar cálculos sobre eles, sem nunca ver os valores subjacentes. Múltiplas chaves permitem que muitas partes contribuam com dados, e verificações integradas lhes permitem confirmar que as respostas criptografadas do servidor são honestas, tudo sem expor os segredos.

Compartilhando inteligência sem compartilhar registros

Sobre essa criptografia, o sistema usa um estilo de treinamento colaborativo chamado aprendizado federado. Em vez de enviar registros de pacientes a um local central, cada dispositivo ou gateway participante treina um modelo local em seus próprios dados criptografados e transmite apenas atualizações do modelo. Os autores ampliam essa ideia com uma configuração de aprendizado profundo Q multiagente projetada para detectar ameaças na rede. Dois “agentes” de aprendizado observam padrões no tráfego dos dispositivos e aprendem, por tentativa e recompensa, quais comportamentos parecem normais e quais se assemelham a ataques. Uma função de recompensa equilibra dois objetivos: detectar mais intrusões e manter baixo o overhead de comunicação, ambos cruciais para dispositivos médicos com recursos limitados.

Tornando o registro à prova de adulteração e escalável

Para coordenar muitos aprendizes dispersos sem confiar em um servidor único, o arcabouço recorre à tecnologia blockchain. Atualizações de modelo e referências a dados armazenados são gravadas em um livro‑razão distribuído para que nenhum participante possa reescrever o histórico secretamente. Arquivos grandes e criptografados em si são mantidos fora da cadeia no InterPlanetary File System, uma camada de armazenamento ponto a ponto que identifica arquivos pelo conteúdo em vez de um local fixo. Apenas identificadores compactos de conteúdo são armazenados na blockchain, reduzindo as exigências de armazenamento enquanto ainda garantindo integridade. Um protocolo de consenso conhecido como Practical Byzantine Fault Tolerance permite que a rede concorde sobre atualizações válidas mesmo se alguns nós forem falhos ou maliciosos, e faz isso com menor latência e maior vazão do que uma alternativa amplamente usada testada pelos autores.

Quão bem a abordagem funciona?

Os pesquisadores avaliam seu sistema em três diferentes conjuntos de dados de segurança do IoMT que incluem tanto comportamento normal quanto uma variedade de tipos de ataque. Em todos eles, seu método detecta intrusões com acurácias entre cerca de 99,2% e 99,4%, superando ligeiramente várias linhas de base populares de aprendizado profundo, como redes neurais convolucionais e recorrentes, que ficam abaixo de 99%. Ao mesmo tempo, o esquema de criptografia proposto criptografa e descriptografa mais rápido que métodos padrão de chave pública como RSA e outras ferramentas homomórficas usadas na comparação. A camada de blockchain, quando combinada com o IPFS, adiciona apenas um atraso modesto por rodada de aprendizado, enquanto fornece garantias robustas de que atualizações de modelo e registros armazenados não foram adulterados.

O que isso significa para pacientes e provedores

Em termos práticos, este trabalho mostra que é possível que hospitais e fabricantes de dispositivos compartilhem sua experiência sobre ataques cibernéticos e comportamentos incomuns, treinem sistemas de detecção potentes e ainda mantenham os dados brutos dos pacientes selados e sob controle local. Ao provar que computações criptografadas estão corretas, distribuir confiança por muitos nós e filtrar tráfego malicioso com alta precisão, o arcabouço proposto aproxima a saúde conectada de ser ao mesmo tempo inteligente e segura. Embora sejam necessários mais testes no mundo real e simplificações antes que tais sistemas se tornem rotineiros, o estudo delineia um caminho prático para aprender com dados médicos sensíveis sem realmente revelá‑los.

Citação: 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

Palavras-chave: Internet das Coisas Médicas, aprendizado federado, cibersegurança em saúde, blockchain, IA preservadora de privacidade