Decentraliserad federerad deep Q‑learning för IoMT‑säkerhet: utnyttjande av MK‑VQFHE och blockchain med IPFS

Varför säkrare uppkopplade medicinska enheter är viktiga

Från aktivitetsarmband till intensivvårdsövervakning är allt fler medicinska enheter uppkopplade och strömmar kontinuerligt data. Detta "Internet of Medical Things" lovar snabbare diagnoser och bättre vård, men öppnar också dörren för angripare som kan manipulera journaler eller störa livsviktig utrustning. Denna artikel undersöker ett nytt sätt för sjukhus att lära av stora mängder patientdata samtidigt som dessa data hålls låsta för nyfikna ögon — och till och med för de datorer som analyserar dem.

Problemet med dagens smarta sjukhus

Moderna medicinska sensorer och sjukhussystem genererar det datavetare kallar big data: omfattande, snabba och varierade uppgifter som kan användas för att hitta tidiga tecken på sjukdom eller cyberattacker. Traditionellt skickas alla dessa data till en central molnserver där maskininlärningsmodeller tränas. Denna centrala punkt blir ett lockande mål. Angripare kan avlyssna, stjäla eller ändra journaler, eller överbelasta servern. Även sekretessregler som HIPAA och GDPR har svårt att hinna med när rå patientdata rutinmässigt kopieras och flyttas över nätverk. Tidigare försök att lösa detta med avancerade inlärningsmetoder och blockchain‑verktyg hjälpte, men förlitade sig ofta på en enda koordinerande server, använde enkel (okrypterad) data eller kunde inte bevisa att fjärrberäkningar utförts korrekt.

Lära av data utan att se dem

Författarna föreslår ett ramverk som kombinerar flera idéer till en änd‑till‑änd säker pipeline. Först levererar sjukhus och testbäddar nätverks‑ och patientrelaterade data från tre offentliga källor med medicinsk IoT‑trafik. Innan någon analys utförs krypterar varje plats sina data med ett schema kallat Multi‑Key Verifiable Quaternion Fully Homomorphic Encryption. Trots det tekniska namnet är kärnidéen enkel: data låses på ett sätt så att fjärrservrar fortfarande kan utföra beräkningar på dem utan att någonsin se de underliggande värdena. Flera nycklar tillåter många parter att bidra med data, och inbyggda kontroller låter dem verifiera att serverns krypterade svar är ärliga, allt utan att exponera hemligheterna.

Dela intelligens utan att dela journaler

Ovanpå denna kryptering använder systemet en form av kollaborativ träning kallad federerat lärande. Istället för att skicka patientjournaler till en central plats tränar varje deltagande enhet eller gateway en lokal modell på sina egna krypterade data och överför endast modelluppdateringar. Författarna utökar denna idé med en multi‑agent deep Q‑learning‑uppsättning anpassad för att upptäcka nätverksattacker. Två inlärnings"agenter" observerar mönster i enhetstrafik och lär sig, genom prövning och belöning, vilka beteenden som ser normala ut och vilka som liknar attacker. En belöningsfunktion balanserar två mål: att fånga fler intrång och att hålla kommunikationsöverhead låg — båda avgörande för resurssnåla medicinska enheter.

Göra registret manipulationssäkert och skalbart

För att samordna många spridda inlärare utan att lita på någon enskild server vänder sig ramverket till blockchain‑teknik. Modelluppdateringar och referenser till lagrade data skrivs till en distribuerad ledger så att ingen deltagare i hemlighet kan skriva om historiken. Stora krypterade filer hålls själva off‑chain i InterPlanetary File System, ett peer‑to‑peer‑lagringslager som identifierar filer efter deras innehåll snarare än en fast plats. Endast kompakta innehållsidentifierare lagras på blockchain, vilket minskar lagringskraven samtidigt som integriteten garanteras. Ett konsensusprotokoll känt som Practical Byzantine Fault Tolerance låter nätverket enas om giltiga uppdateringar även om vissa noder är felaktiga eller illasinnade, och gör det med lägre fördröjning och högre genomströmning än ett välanvänt alternativ som författarna testat.

Hur väl fungerar metoden?

Forskarna utvärderar sitt system på tre olika medicinska IoT‑säkerhetsdataset som innehåller både normalt beteende och en mängd olika attacktyper. I samtliga uppnår deras metod intrångsdetektion med noggrannhet mellan cirka 99,2 % och 99,4 %, och presterar därmed något bättre än flera populära deep‑learning‑baslinjer, såsom konvolutionella och rekurrenta neurala nätverk, som ligger under 99 %. Samtidigt krypterar och dekrypterar det föreslagna krypteringsschemat snabbare än standardmetoder med publik nyckel som RSA och andra homomorfa verktyg som användes för jämförelse. Blockchain‑lagret, i kombination med IPFS, lägger bara till en måttlig fördröjning per inlärningsrunda samtidigt som det ger starka garantier för att modelluppdateringar och lagrade poster inte har manipulerats.

Vad detta betyder för patienter och vårdgivare

I praktiska termer visar detta arbete att det är möjligt för sjukhus och tillverkare av medicinsk utrustning att slå samman sin erfarenhet av cyberattacker och ovanligt beteende, träna kraftfulla detektionssystem och ändå behålla rå patientdata inlåsta och under lokal kontroll. Genom att bevisa att krypterade beräkningar är korrekta, sprida förtroendet över många noder och filtrera bort illasinnad trafik med hög precision, tar det föreslagna ramverket uppkopplad vård ett steg närmare att vara både smart och säker. Även om ytterligare tester i verkliga miljöer och förenklingar krävs innan sådana system blir rutinmässiga, skisserar studien en praktisk väg mot att lära av känsliga medicinska data utan att någonsin faktiskt avslöja dem.

Citering: 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

Nyckelord: Internet of Medical Things, federerat lärande, cybersäkerhet inom vården, blockchain, integritetsbevarande AI