Децентрализованное федеративное глубокое Q‑обучение для безопасности IoMT: использование MK‑VQFHE и блокчейна с IPFS

Почему безопасность подключённых медицинских устройств важна

От фитнес‑браслетов до мониторов в отделениях интенсивной терапии всё больше медицинских устройств работают онлайн и постоянно передают данные. Этот «Интернет медицинских вещей» обещает более быстрые диагнозы и лучшую помощь, но также открывает дверь злоумышленникам, которые могут подделывать записи или нарушать работу критически важных устройств. В статье рассматривается новый подход, позволяющий больницам учиться на огромных массивах данных пациентов, при этом удерживая эти данные от посторонних глаз — и даже от компьютеров, которые их анализируют.

Проблема современных «умных» больниц

Современные медицинские датчики и системы больниц генерируют то, что информатики называют большими данными: огромные, быстрые и разнородные потоки информации, из которых можно извлечь ранние признаки заболеваний или кибератак. Традиционно все эти данные отправляют на центральный облачный сервер, где обучают модели машинного обучения. Такой центральный узел становится привлекательной целью. Злоумышленники могут подслушивать, красть или изменять записи либо перегружать сервер. Даже правила конфиденциальности, такие как HIPAA и GDPR, трудно успевают за практикой, когда необработанные данные пациентов постоянно копируются и перемещаются по сетям. Ранние попытки решить эту проблему с помощью продвинутых методов обучения и блокчейна помогали, но часто опирались на единый координирующий сервер, использовали открытые (нешифрованные) данные или не могли доказать корректность удалённых вычислений.

Обучение на данных, не видя их

Авторы предлагают архитектуру, объединяющую несколько идей в единый защищённый конвейер. Сначала больницы и испытательные стенды предоставляют сетевые и связанные с пациентами данные из трёх публичных источников медицинского трафика IoT. Перед любым анализом каждое учреждение шифрует свои данные с помощью схемы, называемой мультиключевой проверяемой кватернионной полностью гомоморфной шифрацией (Multi‑Key Verifiable Quaternion Fully Homomorphic Encryption). Хотя название техническое, суть проста: данные блокируются так, что удалённые серверы могут выполнять над ними вычисления, но никогда не видят исходные значения. Множественные ключи позволяют многим сторонам вносить данные, а встроенные проверки дают возможность подтвердить, что зашифрованные ответы сервера честны, не раскрывая секретов.

Обмен интеллектуальными данными без передачи записей

Поверх этого шифрования система использует подход совместного обучения, называемый федеративным обучением. Вместо передачи записей пациентов в центральное место каждое устройство или шлюз обучает локальную модель на собственных зашифрованных данных и пересылает только обновления модели. Авторы расширяют эту идею с помощью многопользовательской глубокой Q‑обучающей установки, адаптированной для обнаружения сетевых угроз. Два «агента» обучения наблюдают за паттернами трафика устройств и методом проб и ошибок с подкреплением учатся, какие поведения выглядят нормальными, а какие похожи на атаки. Функция вознаграждения балансирует две цели: обнаруживать больше вторжений и минимизировать накладные расходы связи — оба аспекта критичны для устройств с ограниченными ресурсами.

Как сделать реестр защищённым от подделок и масштабируемым

Чтобы координировать многих распределённых обучающихся без доверия к единому серверу, архитектура обращается к технологиям блокчейна. Обновления моделей и ссылки на хранимые данные записываются в распределённый реестр, чтобы ни один участник не мог тайно переписать историю. Крупные зашифрованные файлы сами хранятся вне цепочки в InterPlanetary File System — одноранговом слое хранения, который идентифицирует файлы по их содержимому, а не по фиксированному местоположению. Только компактные идентификаторы контента сохраняются в блокчейне, что снижает требования к хранилищу и одновременно гарантирует целостность. Протокол консенсуса, известный как Practical Byzantine Fault Tolerance, позволяет сети соглашаться о валидных обновлениях даже если некоторые узлы неисправны или вредоносны, и делает это с меньшей задержкой и большей пропускной способностью по сравнению с широко используемой альтернативой, протестированной авторами.

Насколько хорошо работает подход?

Исследователи оценивают свою систему на трёх разных наборах данных по безопасности медицинского IoT, включающих нормальное поведение и различные типы атак. По всем наборам их метод выявляет вторжения с точностью примерно от 99,2% до 99,4%, немного превосходя несколько популярных базовых моделей глубокого обучения, таких как свёрточные и рекуррентные нейронные сети, точность которых остаётся ниже 99%. При этом предлагаемая схема шифрования шифрует и расшифровывает быстрее, чем стандартные методы с открытым ключом, такие как RSA, и другие гомоморфные инструменты, использованные для сравнения. Слой блокчейна в сочетании с IPFS добавляет лишь умеренную задержку на раунд обучения, при этом обеспечивая сильные гарантии, что обновления модели и хранимые записи не были подделаны.

Что это означает для пациентов и медучреждений

Проще говоря, работа показывает, что больницы и производители устройств могут объединять свой опыт по кибератакам и атипичному поведению, обучать мощные системы обнаружения и при этом сохранять необработанные данные пациентов запечатанными и под локальным контролем. Доказательство корректности зашифрованных вычислений, распределение доверия между множеством узлов и высокоточное отсеивание вредоносного трафика приближают подключённое здравоохранение к состоянию, когда оно будет одновременно умным и безопасным. Хотя прежде чем такие системы станут рутиной, потребуются дополнительные полевые испытания и упрощение, исследование описывает практический путь к обучению на чувствительных медицинских данных, не раскрывая их по-настоящему.

Цитирование: 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

Ключевые слова: Интернет медицинских вещей, федеративное обучение, кибербезопасность здравоохранения, блокчейн, конфиденциальный ИИ