《Array》：An Enhanced Hybrid Framework for IoT Healthcare Security Using Blockchain-Driven Multimedia Data Analysis and Cybersecurity Techniques
编辑推荐：
在数字医疗时代，保护敏感患者信息并确保实时访问与决策至关重要。本研究提出了一种新型混合区块链-物联网（Internet of Things, IoT）框架，用于安全的医疗数据管理，该框架集成了基于Elman神经网络的Blowfish加密技术与区块链及深度异常检
在数字医疗时代，保护敏感患者信息并确保实时访问与决策至关重要。本研究提出了一种新型混合区块链-物联网（Internet of Things, IoT）框架，用于安全的医疗数据管理，该框架集成了基于Elman神经网络的Blowfish加密技术与区块链及深度异常检测机制。该框架利用IoT传感器数据，并采用权威证明（Proof-of-Authority, PoA）共识机制，确保在去中心化节点间的防篡改交易记录。结合长短期记忆（Long Short-Term Memory, LSTM）自编码器与支持向量机（Support Vector Machine, SVM）分类器实现了准确的异常检测，而密码学函数则保障了隐私与数据完整性。该系统使用包含超过1,000条患者记录的医疗数据集在三种网络配置（195、585和1171个节点）下进行了评估。结果表明，wormhole攻击概率低至1.1%，产品丢包率（Product Drop Ratio, PDR）介于1.2–2.7%之间，身份验证延迟低于111毫秒，优于现有系统。尽管异常检测准确率（98.98%）和F1-Score（0.90）略低于领先的深度学习模型，但该框架在实用的医疗环境中独特地结合了加密传输、分布式验证和智能威胁检测。该架构确保了安全性、可扩展性和效率，定位为下一代智能医疗生态系统的强大解决方案。
智能医疗领域的发展对于提升健康服务质量至关重要，随着技术的进步，个性化护理和远程监控成为可能。然而，互联网化、电子归档和远程工作虽然促进了生物医学信息的传输，但也带来了数据隐私和安全挑战。物联网（IoT）设备在收集患者健康数据方面发挥了重要作用，但这些包含敏感个人信息的医疗数据易受网络攻击。此外，部署服务器农场和集中式云系统的成本高昂，且现有区块链-IoT安全模型多集中于数据存储和加密，缺乏端到端的实时多媒体数据分析及针对虫洞攻击、伪造等网络安全风险的综合防护。因此，开展一项结合区块链技术、高级加密算法及深度学习异常检测的综合研究，旨在解决数据完整性、隐私保护及经济可行性问题，具有重要的理论和实践意义。该研究发表在了《Array期刊。
为开展研究，研究人员构建了一个混合区块链-IoT安全框架。关键技术方法包括：首先，采用基于Elman神经网络的Blowfish加密模型对医疗交易数据进行加密，以增强密码学的鲁棒性和适应性；其次，引入基于权威证明（Proof-of-Authority, PoA）的共识机制，旨在降低认证延迟并提高去中心化网络的验证效率；第三，开发了两阶段深度异常检测机制，结合长短期记忆（LSTM）自编码器与支持向量机（SVM）分类器，对加密后的区块链交易模式进行分析，以识别恶意活动。研究使用的样本队列来源为合成生成的IoT医疗数据集，包含1000多条模拟生理指标（如心率、血压等）的患者记录，以及针对特定攻击场景（如虫洞攻击）的模拟数据，未使用真实患者数据以确保隐私和可复现性。
研究结果分为以下几个部分：
1. 框架架构与安全性：研究人员设计了包含前端Web界面和后端区块链引擎的架构，患者、医生和管理员通过多层认证访问系统。医疗数据在存储前经过Elman-Blowfish加密，并通过SHA-256哈希确保完整性。区块链账本结构记录了从患者注册到保险理赔的完整医疗路径，任何未经授权的更改都会导致哈希链断裂，从而提供防篡改的审计追踪。
2. 网络性能与安全指标评估：在三种不同规模的虚拟网络（195、585和1171个节点）中进行了仿真测试。结果显示，随着节点密度增加，虫洞攻击概率降低至1.1%-2.2%，产品丢包率（Product Drop Ratio, PDR）控制在1.2%-2.7%之间，身份验证延迟保持在109.11-111.41毫秒以内。特别是在拥有585个节点的Network 2中，攻击概率最低（1.1%），丢包率最低（1.2%），表明合理的节点分布有助于优化安全性。
3. 异常检测性能：LSTM自编码器与SVM分类器的组合表现出高水平的检测能力。模型在加密患者记录上达到了98.98%的准确率，F1-Score为0.90，召回率为0.92，精确率为0.88。通过动态阈值（重建损失95百分位数为0.16958）识别异常，证明了该模型在分类不平衡数据下能有效平衡敏感性与可靠性，减少了误报和漏报。
讨论部分指出，与传统中心化系统相比，去中心化架构通过消除单点故障显著降低了通信安全风险。PoA共识机制的应用有效减少了认证延迟，优化了计算开销。尽管现有的某些孤立深度学习模型可能具有略高的F1-Score，但本研究提出的框架优势在于其端到端的集成性，将异常检测嵌入到加密和区块链流水线中，确保了在实际医疗环境中的操作可行性和整体安全性。研究还讨论了当前工作的局限性，即基于仿真环境和合成数据，未覆盖所有类型的攻击（如重放攻击、内部人员攻击等），且未充分评估资源受限IoT设备的能耗限制。
研究结论部分总结道，本研究提出并验证了一种专为安全医疗数据管理定制的混合区块链-IoT框架。通过整合增强的加密技术、去中心化账本和深度异常检测，该框架有效解决了数据完整性、机密性和网络攻击抵御能力等关键挑战。大规模仿真实验证实，该模型显著降低了虫洞攻击概率、丢包率和认证延迟，同时保持了高准确率的异常检测和可扩展性。该端到端管道为医疗数据管理提供了可追溯、防篡改和智能化的解决方案，为下一代智能医疗生态系统提供了强有力的支持。未来工作将侧重于边缘环境的硬件实现、可穿戴设备的集成以及轻量级共识协议的适应性开发。
