面向患者身份保护与医疗数据隐私的深度学习辅助零知识证明认证

《Computers and Electrical Engineering》：Deep learning-assisted zero-knowledge proof authentication for patient identity protection and medical data privacy

　　

摘要
数字医疗系统和医疗物联网（IoMT）设备的快速增长增加了未经授权的访问和敏感患者数据泄露的风险。传统的认证和加密方法对于分布式资源受限的医疗环境（如 5G 边缘网络）来说是不充分的。传统的生物特征系统也容易受到模板攻击，而基于人工智能的集中式和去中心化安全解决方案则面临隐私泄露和计算延迟的问题。为应对这些挑战，本工作提出了一种基于深度学习的零知识证明（ZKP）认证框架，用于安全的患者身份验证和医疗数据保护。因此，针对行为生物特征模式的方法是首先对其进行预处理以去除噪声并标准化变化。进一步，采用虎鲸空间注意力变换器分析（OSATA）模型来提取代表独特用户行为的稳健时空特征。这种优化后的特征进一步用于开发用户认证的零知识证明，而无需揭示原始生物特征或医疗信息。此外，通过安全的验证和基于令牌的授权机制保证了受控访问医疗服务器。提出的系统在 Python 中实现，实验结果表明，与传统的认证方法相比，该系统在安全性、效率和隐私保护方面有所改进。

引言
随着移动设备和数字服务的广泛接受，生物特征认证变得越来越重要 [1]。与可能丢失或遗忘的密码或令牌不同，指纹、虹膜图案和面部特征等生物特征提供了一种可靠的身份验证方式 [2]。通常，典型的生物特征认证有两个步骤：注册，即捕获生物特征样本并将其存储为模板；以及认证，即将查询样本与存储的模板进行匹配以授予访问权限 [3]。尽管方便，但这些系统面临关键的安全风险，主要是模板攻击，在这种攻击中，攻击者可能访问敏感的生物特征模板 [4]。一旦发生这种情况，受妥协的模板可能会在应用程序之间受到恶意的交叉认证，导致原始生物特征的永久暴露 [5]。经常遗失或被偷的移动设备通过引入对侧信道攻击的漏洞进一步恶化了情况，例如对嵌入式生物特征模板的爬山攻击 [6]。已经提出了用于模板的保护技术，例如信息隐藏、基于协议的保护、不可逆变换和直接生物特征密钥生成 [7]。在提到的技术中，可取消生物特征由于其简单性和撤销受妥协模板的能力，已成为一种有前景的解决方案 [8]。然而，许多基于变换的方法仍然容易受到记录多重性攻击，突显了确保安全的、保护隐私的生物特征认证这一具有挑战性的任务 [9]。

除了移动设备带来的挑战外，在医疗领域，保护隐私的认证需求至关重要，因为记录涵盖了从身份级别到详细医疗历史的数据 [10]。传统的加密方法可能能保护静态数据，但往往无法在处理过程中做到这一点，特别是在协作或多租户云环境中 [11]。为解决此问题，零知识证明（ZKPs），即简洁非交互式知识论证（SNARKs）的一组，最近被认为是一种用于保护隐私分析的有力工具，能够在不必然揭示原始数据的情况下验证计算的正确性 [12]。在健康应用中，这意味着医疗数据可以被安全地共享和处理，从而实现远程医疗、政策制定和分析，同时保持患者隐私 [13]。将先进的机器学习（ML）技术与此类隐私框架相结合可以进一步提高认证的准确性和鲁棒性，即使是在高度分布式的协作系统中也能保护敏感的医疗信息 [14]。

人工智能和深度学习的发展显著提高了生物特征认证系统的能力 [15]。支持向量机（SVMs）、神经网络（NNs）和多模态特征融合等技术能够从生物特征数据中提取高判别性特征，从而提高分类和识别性能 [16]。尽管研究广泛，现有的 AI 驱动的生物特征方法主要仅针对识别准确性进行优化，未能解决认证过程中保护隐私的根本要求 [17]。目前的大多数解决方案会在外部服务器上暴露原始或中间生物特征特征，使它们容易受到重构攻击、模板泄露或通过推理导致的隐私泄露 [18]。

数字医疗系统和 IoMT 设备的快速采用引发了关于安全以及敏感患者信息隐私的关键担忧。传统的认证和加密机制通常不适合 5G 边缘网络等资源受限和分布式环境，无法防止未经授权的访问甚至身份泄露。同样，生物特征认证虽然相对方便，但容易受到模板攻击，而集中式医疗分析系统在计算过程中保持数据隐私方面面临局限性。最近，使用联邦学习和基于区块链架构的去中心化和 AI 驱动的方法通常面临风险，包括对本地模型参数的攻击和高计算延迟，从而限制了它们在暴露敏感信息的同时保证安全、可验证交易的能力。

提出的 OSATA 框架通过结合优化的行为生物特征认证和基于零知识证明的验证来克服这些局限性。通过将虎鲸优化用于特征选择与空间注意力变换器用于建模空间和时间依赖相结合，该方法实现了更高的准确性以及更少的误接受和误拒绝。此外，基于令牌的授权和访问控制确保了安全、限时访问。通过这种组合，实施一种保护隐私的、实时验证方法变得可行，该方法即使在资源受限的分布式系统中也能高效运行。对近期文献的回顾表明，现有的认证方法通常侧重于行为生物特征识别、基于深度学习的用户建模、去中心化安全机制或保护隐私的认证中的某一个方面。然而，对于将优化的行为特征学习与零知识验证相结合用于医疗应用方面的关注有限。为了解决这一差距，提出的 OSATA 框架结合了虎鲸优化的空间注意力变换器学习与保护隐私的零知识认证，能够在不揭示行为生物特征模板或医疗信息的情况下实现安全准确的患者身份验证。

尽管先前的研究独立调查了行为生物特征、基于深度学习的认证和保护隐私的安全机制，但很少有工作将这些组件集成到一个统一的医疗认证框架中。现有的行为生物特征系统通常依赖于没有特征优化的传统机器学习或深度神经网络，导致对行为变异的鲁棒性降低。同样，保护隐私的认证方案通常侧重于加密验证，但不利用先进的行为特征表示进行用户身份验证。

提出的 OSATA 框架引入了几个新颖的贡献，使其与现有方法区别开来：
• 虎鲸空间注意力变换器分析（OSATA）：与传统的基于变换器的认证模型不同，提出的框架将虎鲸优化与空间注意力机制相结合，以识别最具判别性的时空行为生物特征特征。
• 基于行为生物特征的零知识认证：该框架从优化的行为生物特征表示中生成认证证明，而无需暴露原始生物特征模板或敏感的医疗信息。
• 集成的隐私和认证架构：提出的系统在单个框架内联合执行行为生物特征分析、特征优化、零知识验证和基于令牌的授权。
• 面向医疗的安全设计：该架构专门为 IoMT 和数字医疗环境设计，其中患者隐私、低认证延迟和安全的访问控制是关键要求。
• 改进的认证性能：实验结果表明，与现有的认证方法相比，具有更高的准确性、更低的错误率和减少的认证延迟。

章节片段
相关工作
许多研究人员基于该主题使用各种方法和特征进行了审查；其中一些评估如下：
Sharma 和 Shambharkar [19] 研究了使用分层区块链边缘事物（HBEoT）架构将 5G 边缘计算与区块链整合用于医疗应用。因此，在该框架内实现了认证、攻击检测和数据保护，同时利用零知识证明（ZKPs）进行实现

所提出的方法论
程序开始于安全记录患者的独特行为生物特征输入模式。原始输入经过数据预处理和对齐以消除噪声、标准化方差并保持样本间的一致性。清洗后的数据随后被传输到虎鲸空间注意力变换器分析（OSATA），从生物特征信号中提取极其独特的空间和时间模式。提取的特征经历一个

结果与讨论
模型在安装了 Python 3.10 的 Windows 10 上实现。在初始阶段，模拟考虑了行为生物特征特征，如按键生物特征，得出了相应的认证结果。表 3 下方展示了实验过程中使用的参数的详细讨论。
最后，分析了基本性能标准，并将结果与其他传统认证

结论
本文提出了一种全面的、用于医疗系统中安全高效生物特征认证的框架，基于 OSATA。新设计的范式结合了通过深度学习的时空特征提取、虎鲸优化和通过 ZKP 方案的生物特征认证，以实现高准确性、鲁棒安全性和高效计算。在法医学生物特征可穿戴数据集上进行了模拟，表明该范式能够适当地区分

符合伦理标准
动物和人类权利声明
伦理批准
遵循了所有适用的机构和/或国家关于动物护理和使用的指南。
知情同意
对于此类分析，不需要正式同意。
资助
本研究未从公共、商业或非营利部门的资助机构获得任何特定赠款。

赛·普拉加蒂·Y·V·S | 阿卜杜勒·巴里·穆罕默德 | 基肖尔·库马尔·雷迪·C | 马达纳·莫汉纳·R | 拉马纳·穆尔蒂·巴马迪帕蒂·维纳塔
印度海得拉巴斯坦利工程技术女子学院计算机科学与工程系