基于联邦学习与多维密码学的多层安全电子健康记录协同管理框架

《Scientific Reports》：Fed-SecureCvT: optimized federated learning with cryptographic protection and transformer-based intrusion detection for HER

　　

摘要

数字健康技术已变革了医疗信息的共享和协作临床决策，同时引发了对远程医疗环境中隐私泄露、未经授权的数据篡改和网络风险的重要担忧。现有方法通常将协作学习、密码安全和网络安全作为独立功能，这降低了它们在集成框架中提供全方位解决方案的潜力，并在安全多机构医疗系统的背景下留下了关键的研究空白。为解决这些挑战，本工作提出了一种多层安全协作框架，该框架将智能学习、优化密码学、完整性保障和入侵检测无缝整合到一个协调的平台中，用于安全的电子健康记录（EHR）管理。所提出的方法是联邦学习与联邦动力学优化（FL–FedDyn），它能够在不共享原始患者数据的情况下支持多个医院之间的去中心化医疗预测，从而保护隐私并提高医疗预测模型在异构数据分布下的泛化性能。嵌入了一种去中心化多权威属性基加密（DMA-ABE）机制，以促进细粒度访问控制，每个权威机构独立提供凭证，从而消除单点信任依赖。曼德拉优化算法（MOA）用于生成优化密钥，最大化熵并最小化计算成本，以增强密码学的鲁棒性和效率。默克尔有向无环图（Merkle-DAG）结构通过哈希关系链接加密记录，以实现高效的篡改检测和安全存储。此外，集成了一个基于卷积视觉Transformer（CvT）的入侵检测系统（IDS），用于持续监控医疗网络流量，并通过空间特征和注意力特征的混合特征学习来识别已知和未知威胁。这些模块在一个简化的流程中执行，包括数据预处理、协作训练、加密、安全存储、完整性验证和实时威胁监控，所有环节共同提供多层安全的全方位保护。在EHR和CIC-IDS2017数据集上进行的实验评估表明，所提出的框架表现出优越的性能，预测准确率为99.31%，仅使用36个通信轮次时的收敛时间为118.42秒，隐私保护水平为98.74%，加密时间为5.26毫秒，完整性验证时间为11.38毫秒，入侵检测准确率为99.31%，误报率为1.38%。与现有技术相比，该框架还显示出高效的资源利用，CPU消耗降低了54.18%，能耗为0.196毫焦耳。这些结果证实，所提出的多层方法为分布式医疗基础设施中的协作医疗数据管理提供了一种有效、可扩展且安全的解决方案。