云辅助区块链支持的拆分联邦学习框架，用于医疗5.0中医疗物联网的安全与隐私保护

为何更安全的智能医疗很重要

从健身手表到联网的医院传感器，现代医疗设备不断产生数据，能帮助医生更早发现疾病并更快响应。但将所有这些敏感信息发送到远端云端会带来棘手问题：我们如何保护患者隐私、阻止黑客入侵，同时在出现紧急情况时仍能实时响应？本研究探讨了一种新的方式来训练面向医疗网络的智能安全系统，使其能从大量设备中学习而不暴露私密数据，也不依赖单一且脆弱的控制点。

靠近患者的智能设备学习

在未来的医院与家庭中，无数医疗物联网设备会采集心率、血氧等读数。作者并非将原始数据全部传送到中心服务器，而是采用一种技术：学习模型的一部分直接在每个设备上运行。一个小而高效的模式提取器会查看本地测量值，并将其转化为压缩信号，从而隐藏原始细节。这些信号（而非原始健康记录）被传递出去以供进一步分析，从而有助于保护个体患者的信息隐私。

在边缘与云之间分担工作负载

一旦压缩信号从设备发出，它们会由位于网络边缘、比远端云更接近设备的更强大计算节点处理。在这里，学习模型的第二个、更深层的部分研究这些信号随时间的变化，以检测可能指示网络攻击或故障的异常行为。这种拆分设计使得小型设备只需处理轻量计算，而边缘机器承担重型计算。其结果是更快的响应和更低的网络延迟，这在医疗警报或治疗决策依赖及时、准确信息时尤为重要。

用共享数字账本建立信任

许多学习系统的一个关键弱点是它们依赖中央服务器来合并来自所有设备的更新。如果该服务器被攻破或出现故障，整个系统便处于风险之中。为避免这种情况，作者在学习过程中引入了一层区块链系统。不是信任单一服务器，而是多个验证节点共同检验每一批模型更新。通过一种为速度与可靠性设计的共识方法，它们决定哪些更新足够可信可以加入共享的数字账本。贡献良好信息的设备可以获得奖励，可疑设备则可被标记，从而在网络中创建一种自动的声誉与问责机制。

新方法的性能如何

研究团队在两组大型网络流量数据集上测试了他们的框架，这些数据来自医疗及其他联网设备，并已标注为正常或攻击。他们将该方法与一种常见方法进行了比较：在常见方法中，每个设备训练完整模型并仅将参数发送到中央服务器。在多轮训练中，新的拆分与区块链辅助系统达到了很高的准确率，某些情况下接近完美，即使参与设备数量增加也保持良好表现。它还降低了误报率，对多种攻击策略表现出更强的鲁棒性，同时所选区块链方法能够快速确认更新并允许每秒添加多个安全区块。

这对未来医疗的意义

对普通读者而言，主要结论是：该工作提供了一种方式，让智能医疗网络能在不将所有敏感数据集中存放或不依赖单一易受攻击服务器的前提下，从众多设备中学习。通过在设备端运行简单模型、在边缘进行更强的分析，并用共享账本跟踪与批准变更，该框架能够更可靠地发现威胁并减少数据泄露风险。如果进一步完善并增强对高级攻击的防护，此类设计有望使联网的医院和家庭监测系统对患者而言既更智能又更安全。

引用: 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

关键词: 智能医疗, 医疗物联网, 联邦学习, 区块链安全, 入侵检测