Un nuevo modelo híbrido de aprendizaje profundo basado en cifrado homomórfico y blockchain de consorcio para el Internet Industrial de las Cosas Médicas

Asegurar los Registros Médicos Electrónicos (EMRs) es una de las aplicaciones más críticas de la criptografía en Internet debido al valor e importancia de los datos contenidos en dichos EMRs. Aunque los sistemas de salud basados en blockchain pueden proporcionar seguridad, privacidad e inmutabilidad a los EMRs, existen varios problemas de seguridad y latencia en los esquemas actuales. Por ejemplo, algunos investigadores han utilizado la blockchain como una herramienta de almacenamiento, lo que aumenta la demora y afecta adversamente el rendimiento de la blockchain ya que almacena una copia de cada transacción. Un libro mayor distribuido también requiere espacio adecuado y poder computacional con un aumento del tamaño de los datos. Además, los enfoques actuales basados en la atención médica suelen depender de servidores centralizados conectados a nubes, que son vulnerables a ataques de denegación de servicio (DoS), denegación de servicio distribuido (DDoS) y colusión. Este documento propone un nuevo modelo de cifrado homomórfico (HE) basado en aprendizaje profundo híbrido para el Internet Industrial de las Cosas Médicas (IIoMT) para hacer frente a tales desafíos utilizando un blockchain de consorcio. Integrar HE con el sistema IIoMT propuesto es una contribución vital de este trabajo. El uso de HE mientras se externaliza el almacenamiento a la nube proporciona una instalación única para realizar cualquier operación estadística y de aprendizaje automático sobre los datos de EMR cifrados, ofreciendo así resistencia a ataques de colusión y phishing. Nuestro modelo propuesto utiliza un modelo híbrido de aprendizaje profundo preentrenado en la nube y despliega el modelo entrenado en dispositivos de borde basados en blockchain para clasificar y entrenar modelos locales utilizando EMRs. Esto se condiciona aún más a los datos privados de cada dispositivo de borde y IoT conectado con el blockchain de consorcio. Todos los modelos locales obtenidos se agregan a la nube para actualizar un modelo global, que finalmente se difunde a los nodos de borde. Nuestro enfoque propuesto proporciona más privacidad y seguridad que los modelos convencionales y puede ofrecer alta eficiencia y baja latencia de extremo a extremo para los usuarios. Se lleva a cabo un análisis de simulación comparativa con enfoques de vanguardia utilizando métricas de rendimiento de referencia, que muestran que nuestro modelo propuesto proporciona seguridad, eficiencia y transparencia mejoradas.