Die schnelle Verbreitung des Internet of Medical Things (IoMT) im Federated Learning (FL)-aktivierten Smart Healthcare 5.0 wirft dringende Bedenken hinsichtlich Datenschutz, Sicherheit und Echtzeit-Bedrohungserkennung auf. FL bleibt anfällig für Angriffe während der Trainingsphase, Parameterverletzungen und Aggregationsbedrohungen, wobei der zentrale Server Risiken wie Inferenz, Vergiftung und Einzelpunktfehler birgt. Um die Herausforderungen des Einzelpunktfehlers und des Mangels an effizienten dezentralen Vertrauensmechanismen zu adressieren, schlagen wir ein neuartiges Framework vor, das Split Federated Learning (SFL) mit Blockchain integriert. SFL verwendet ein hybrides Deep Learning (DL)-Modell, das zwischen den IoMT- und Edge-Schichten durch die Architektur aufgeteilt ist: Edge-basierte BiLSTM-Netzwerke identifizieren Bedrohungen und zeitliche Muster, während leichte CNN auf der IoT-Ebene räumliche Merkmale aus Patientendaten extrahieren. Während SFL ein sicheres dezentrales Training ermöglicht, verwendet die Blockchain den Practical Byzantine Fault Tolerance (PBFT)-Konsensmechanismus, um manipulationssichere Integrität, Vertrauen und Authentifizierung zu gewährleisten. Diese Methode verbessert dezentralisiertes Vertrauen, schützt die Privatsphäre und verringert Datenlecks. Das Framework stellt eine robuste und Echtzeit-intrusionserkennungslösung für die nächste Generation des intelligenten Gesundheitswesens dar, was durch Experimente mit den Datensätzen ToN-IoT und IoT Healthcare belegt wird, die verbesserten Datenschutz, Angriffstoleranz, eine Block-Commit-Rate von 450 b/s und reduzierte Konsenszeiten von 250 ms neben einer überlegenen Genauigkeit von 99,95 % zeigen.
Baihan et al. (Di,) untersuchten diese Fragestellung.