Облачная поддержка и блокчейн в раздельной федеративной обучающей системе для защиты и конфиденциальности IoMT в здравоохранении 5.0

Почему безопасность умного здравоохранения важна

Современные медицинские устройства — от фитнес-часов до подключённых датчиков в больницах — постоянно передают данные, которые помогают врачам раньше выявлять болезни и действовать быстрее. Но отправка всей этой чувствительной информации в отдалённые облака ставит серьёзные вопросы: как защитить частную жизнь пациентов, остановить злоумышленников и при этом сохранять возможность реагировать в режиме реального времени при ЧП? В этом исследовании предлагается новый подход к обучению систем безопасности для сетей здравоохранения, позволяющий учиться на многих устройствах без раскрытия приватных данных и без опоры на единую уязвимую точку управления.

Умные устройства, обучающиеся рядом с пациентом

В больницах и домашних условиях будущего бесчисленные устройства Интернета медицинских вещей фиксируют частоту сердцебиения, уровень кислорода в крови и другие показатели. Вместо отправки сырых данных на центральный сервер авторы используют технику, при которой часть модели обучения выполняется непосредственно на каждом устройстве. Небольшой, экономичный модуль выделяет паттерны в локальных измерениях и преобразует их в компактные сигналы, скрывающие исходные детали. Именно эти сигналы, а не необработанные медицинские записи, передаются дальше для анализа, что помогает сохранять конфиденциальность отдельных пациентов.

Распределение нагрузки между краем и облаком

Когда компактные сигналы покидают устройства, они обрабатываются более мощными компьютерами на сетевом краю, ближе, чем удалённое облако. Здесь вторая, более глубокая часть модели изучает изменения сигналов во времени, чтобы обнаруживать аномалии, которые могут указывать на кибератаки или сбои. Такая раздельная архитектура означает, что маленькие гаджеты выполняют лёгкие вычисления, а краевые машины берут на себя тяжёлую обработку. В результате системы реагируют быстрее и снижается задержка в сети — критически важно, когда медицинские оповещения или решения по лечению зависят от своевременной и точной информации.

Создание доверия с помощью общего цифрового реестра

Ключевая слабость многих систем обучения — зависимость от центрального сервера для объединения обновлений от всех устройств. Если этот сервер будет взломан или выйдет из строя, риску подвергается вся система. Чтобы избежать этого, авторы накладывают систему блокчейн поверх процесса обучения. Вместо доверия одному серверу несколько валидирующих узлов совместно проверяют каждую партию обновлений модели. С применением метода согласования, разработанного для скорости и надёжности, они решают, какие обновления достаточно честны, чтобы быть добавленными в общий цифровой реестр. Устройства, вносящие полезную информацию, могут получать вознаграждение, а подозрительные — помечаться, создавая форму автоматической репутации и подотчётности в сети.

Насколько хорошо работает новый подход

Команда протестировала свою архитектуру на двух больших наборах сетевого трафика от устройств здравоохранения и других подключённых устройств, каждая запись была помечена как нормальная или атака. Они сравнили свой метод с распространённым подходом, при котором каждое устройство обучает полную модель и отправляет только её параметры на центральный сервер. В повторяющихся раундах обучения новая раздельная система с поддержкой блокчейна достигла очень высокой точности, близкой к идеальной в некоторых случаях, даже при росте числа участвующих устройств. Она также снизила частоту ложных предупреждений и показала большую устойчивость к различным стратегиям атак, а выбранный метод блокчейна быстро подтверждал обновления и позволял добавлять много защищённых блоков в секунду.

Что это значит для будущей медицины

Для неспециалиста главный вывод таков: этот подход позволяет сетям умного здравоохранения обучаться на многочисленных устройствах, не собирая все чувствительные данные в одном месте и не полагаясь на один уязвимый сервер. Разделяя задачу обучения между простыми модулями на устройствах, более мощным анализом на краю и общим реестром, который отслеживает и одобряет изменения, система может надёжнее обнаруживать угрозы при меньшем риске утечек данных. При дальнейшем совершенствовании и усилении защиты от сложных атак такие решения могут сделать подключённые больницы и системы домашнего мониторинга одновременно умнее и безопаснее для пациентов.

Цитирование: 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

Ключевые слова: интеллектуальное здравоохранение, Интернет медицинских вещей, федеративное обучение, безопасность блокчейна, обнаружение вторжений