《Results in Engineering》：Tamper-Resilient Edge IoMT Remote Healthcare Monitoring with Rotational Liquid Neural Network Tamper Detection and Distributed Encrypted Record Store Payload Protection
编辑推荐：
边缘部署的医疗物联网（IoMT）系统用于远程医疗监控（RHM）必须在严格的资源约束下同时实现准确的临床推理、轻量级篡改检测和可验证的负载保护。现有框架孤立地处理这些目标，因此需要一个集成的、边缘原生解决方案的空白。该论文提出一个统一的RHM框架，其中篡改检测、
边缘部署的医疗物联网（IoMT）系统用于远程医疗监控（RHM）必须在严格的资源约束下同时实现准确的临床推理、轻量级篡改检测和可验证的负载保护。现有框架孤立地处理这些目标，因此需要一个集成的、边缘原生解决方案的空白。该论文提出一个统一的RHM框架，其中篡改检测、生理分类和密码学负载保护被共同设计用于边缘执行。一种具有新颖激活函数的旋转液体神经网络（TRALNN）抑制了可变长度IoT流中的梯度消失。一种裁剪深度神经网络（CDLNN）使用有界激活在生理信号上实现稳定训练，并得到相关性引导聚类和基于优化器的特征选择的支持。Hessian辅助椭圆曲线密码学（HMECC）与基于哈希的完整性验证保护存储的负载。在CICIoT2023上，TRALNN以3,075个参数达到98.92%的准确率和99.71%的召回率——相比LSTM减少9.3倍，延迟为0.108 ms。在VitalDB上，CDLNN以5,184个参数达到99.91%的准确率和99.54%的召回率，仅错误分类10,107个异常测试样本中的46个。两个模型合计8,259个参数，使得能够在单个边缘节点上并发部署。HMECC，实现为基于NIST P-256的ECIES，使用AES-256-GCM和SHA-256完整性哈希，在100次试验中达到0.209 ms的平均加密延迟和1.000的完整性通过率，无验证失败；其在对抗条件下的行为被单独评估。端到端验证确认了1.000的负载重建成功，表明篡改检测、临床监控和安全存储可以在统一的边缘原生框架中共存。
**论文解读：基于边缘原生的抗篡改远程医疗监控框架**
**研究背景与问题**
随着全球人口增长和慢性疾病负担加重，医疗系统面临巨大压力，尤其是在资源有限的地区，远程医疗监控（RHM）成为迫切需求。物联网（IoT）和医疗物联网（IoMT）的快速发展为实时健康监测提供了可能，但边缘计算环境下的IoMT系统面临三大核心挑战：第一，数据在边缘节点间传输时易被篡改，威胁患者安全；第二，现有深度学习模型（如LSTM）参数庞大，无法在资源受限的边缘设备（如256 KB闪存、64–480 MHz时钟）上同时运行篡改检测和生理分类模块；第三，缺乏轻量级的加密保护方案，无法在亚毫秒级延迟内保证负载的机密性与完整性。现有框架孤立地处理这些目标，缺乏统一的边缘原生解决方案。因此，研究人员提出一种集成篡改检测、生理状态预测和密码学负载保护的统一框架，旨在实现低延迟、高准确率和可验证的安全存储。
**主要关键技术方法**
研究人员采用以下关键技术方法：1）旋转液体神经网络（TRALNN），结合旋转正弦缩放指数线性单元（RSSELU）激活函数，抑制变长IoT流中的梯度消失；2）裁剪深度神经网络（CDLNN），使用硬裁剪层限制激活值，实现生理信号上的稳定训练；3）点双列相关引导的BIRCH聚类（PBC–BIRCH），通过相关性分析降低类内方差；4）基于Levy-Cauchy分布增强的鹰栖优化器（LCD–EPO）进行特征选择，避免早熟收敛；5）Hessian辅助椭圆曲线密码学（HMECC），基于NIST P-256曲线，采用ECIES（ECDH密钥协商、HKDF-SHA256密钥派生、AES-256-GCM认证加密）与SHA-256完整性哈希，实现亚毫秒级加密。样本队列来源：CICIoT2023（IoT入侵数据集）用于篡改检测，VitalDB（首尔大学医院多参数生命体征数据库）用于生理状态分类。
**研究结果**
**4.3.1 篡改检测结果**：通过CICIoT2023数据集评估，TRALNN达到98.92%准确率和99.71%召回率，仅3,075个参数，相比LSTM参数减少9.3倍，延迟0.108 ms，且召回率在所有序列模型中最高，表明其能有效检测篡改。
**4.3.2 边缘适用性与效率分析**：TRALNN与CDLNN合计8,259个参数，可实现单节点并发部署，而LSTM等效方案需61,277个参数，在256 KB闪存下仅能容纳一个流，本框架可支持多达7个并发患者流。
**4.3.3 旋转激活验证**：通过训练动态分析，TRALNN的梯度范数约为0.5，而标准LNN仅为0.08，提升6.25倍，证明RSSELU有效缓解梯度消失。
**4.3.4 计算复杂度分析**：TRALNN的推理FLOPs为6,144，相比LSTM的56,448减少9.2倍，支持边缘部署。
**4.4.1 患者健康状态预测结果**：在VitalDB上，CDLNN达到99.91%准确率和99.54%召回率，仅5,184个参数，错误分类46/10,107个异常样本，召回率远高于LSTM的33.48%。
**4.4.2 训练收敛与学习稳定性**：训练与验证损失稳定下降，无发散，裁剪激活有助于稳定反向传播。
**4.4.3 数据分布与特征分析**：预处理后数据分布为93%正常、7%异常，心率等特征在两类间有明显区分，特征重要性均衡，模型不依赖单一信号。
**4.4.4 聚类对生理预测的影响**：PBC–BIRCH聚类后，CDLNN验证准确率提升，训练更稳定，且不增加参数。
**4.4.5 比较总结**：聚类增强模型相比基线CDLNN具有更高验证准确率和更快收敛，证实聚类降低类内方差。
**4.4.6 组件贡献分析**：通过对比实验，深度架构和有界激活带来0.95–4.42%准确率提升，聚类改善训练稳定性，RSSELU提升梯度信号强度。
**4.4.7 CDLNN组件消融研究**：去除PBC–BIRCH聚类导致召回率从99.17%降至96.49%，去除裁剪层不影响峰值准确率但可能引入不稳定，各组件协同作用。
**4.5.4 计算行为**：HMECC在100次试验中平均加密延迟0.209 ms，解密延迟0.135 ms，完整性通过率1.000，无验证失败。
**4.5.5 对抗鲁棒性与可变负载评估**：位翻转攻击检测率1.000，重放攻击拒绝率1.000，可变负载（204–1,419字节）下延迟仍低于0.23 ms，并发负载（1–16工作线程）下完整性通过率均为1.000。
**4.6 端到端系统验证**：50次试验中负载重建成功率1.000，延迟主要介于0.4–1.0 ms，确认全管道正确性。
**讨论与结论**
**局限性讨论**：本研究存在硬件验证缺口（延迟测量在桌面端而非实际边缘微控制器）、安全评估范围有限（固定1,120字节负载）、数据集泛化性局限（VitalDB来自单一医院，CICIoT2023来自固定测试台）、缺乏外部验证、模型准确率之争（TRALNN准确率略低于LSTM）以及网络信道假设（未考虑LAA与Wi-Fi频谱共享的影响）。未来方向包括在ARM Cortex-M上部署硬件在环验证、联邦学习扩展、多站点评估、标签阈值敏感性分析，以及将医疗边缘设备视为电网灵活性资产的能源管理研究。
**结论部分翻译**：该论文提出了一个统一的、边缘原生的RHM框架，其中篡改检测、生理分类和密码学负载保护被共同设计，用于在资源受限的IoMT节点上确定性部署。核心架构洞见是将这三个目标联合处理，而非松散耦合，从而建立一个覆盖从感知到安全存储全数据生命周期的验证契约。TRALNN篡改检测器解决了标准液体神经网络在IoT环境中的核心弱点：变长输入下的梯度衰减。RSSELU激活将梯度信号稳定在平均范数约0.5，相比标准LNN的约0.08提升6.25倍，在CICIoT2023上以仅3,075个参数和6,144 FLOPs达到98.92%准确率和99.71%召回率，相比LSTM分别减少9.3倍和9.2倍，每样本延迟0.108 ms。CDLNN生理分类器通过硬裁剪解决激活不稳定问题，在VitalDB上以仅5,184个参数（相比LSTM减少6.3倍）达到99.91%准确率和99.54%召回率。至关重要的是，TRALNN和CDLNN合计8,259个参数，可在单个边缘节点上并发部署——这是LSTM无法实现的。HMECC安全模块，实现为基于NIST P-256的ECIES，使用AES-256-GCM，在100次试验中达到0.209 ms平均加密延迟和1.000完整性通过率。端到端管道验证确认了50次试验中1.000的负载重建成功率。这些结果证明，准确的轻量级篡改检测、高灵敏度临床监控和可验证的安全存储可以在单个边缘原生框架中共存，而不会牺牲确定性和响应性。当前结果基于两个受控公开基准；在异构临床环境和嵌入式边缘硬件上验证是下一步自然方向，也是研究人员的持续工作。基于此证据，该框架为边缘安全、资源感知的远程医疗监控提供了实用基础。
