TrustEdge:一种适用于关键重症监护病房(ICU)监测场景的、基于联邦式TinyML(Federated TinyML)技术的、具备量子安全特性且具备自我修复功能的框架

《Internet of Things》:TrustEdge: A Quantum-Safe, Self-Healing Framework for Federated TinyML in Critical ICU Monitoring

【字体: 大 中 小 】 时间:2025年12月30日 来源:Internet of Things 7.6

编辑推荐:

  TrustEdge:一种整合 TinyML 设备入侵检测、PQC 安全联邦学习、轻量区块链审计及智能合约自愈的端到端医疗物联网框架,在非-IID 临床环境中实现 98.2% 高准确率攻击检测,亚秒级自主恢复,并满足量子安全要求。

  
乌马尔·海亚特·汗(Umar Hayat Khan)|阿法克·卡马尔(Affaq Qamar)|拉希姆·汗(Rahim Khan)|穆罕默德·A·阿拉瓦德(Mohamad A. Alawad)|法哈德·阿尔图里塞(Fahad Alturise)|马克苏德·海亚特(Maqsood Hayat)
巴基斯坦马尔丹阿卜杜勒·瓦利·汗大学(Abdul Wali Khan University)计算机科学系

摘要

随着针对人工智能在医疗领域应用的恶意威胁不断增加,有证据表明现有的医疗物联网(IoMT)架构缺乏自主的网络韧性,即系统在没有人工干预的情况下检测(观察和记录)攻击事件并自我修复的能力。基于此,我们开发了TrustEdge:一个端到端的医疗物联网系统,它在边缘层无缝集成了四个关键功能:(i) 基于TinyML的设备级入侵检测系统;(ii) 使用NIST标准ML-KEM-512算法的量子密码学(PQC)保护的安全联邦学习;(iii) 轻量级区块链审计追踪;(iv) 基于智能合约的自我修复机制。该系统专为资源有限的ESP32类设备设计,能够以98.2%的准确率检测传感器欺骗和模型篡改攻击,同时误报率不超过1%;在诊断错误的情况下,系统会自动触发经过验证的恢复措施(例如节点隔离或模型回滚),无需依赖云后端支持。该框架在三个模拟医院中使用了经过临床验证的合成ICU数据,并在高保真度的OMNeT++网络模拟环境中进行了测试,该环境具有54Mbps的传输速率(误码率为10?5的WiFi信号和共频道干扰。实验结果表明,TrustEdge在健康异常检测方面的准确率为99.4%,且开销极低(PQC加密耗时0.09毫秒,区块链交易处理耗时1.2毫秒)。我们的联合仿真确保了伦理安全性,并消除了在实际临床环境中的恶意测试风险;我们提供了完整的代码、数据和仿真脚本以支持可重复性。TrustEdge提升了自我防御能力,使关键护理系统能够抵御当前和未来的量子威胁,且在正常运行过程中不会出现误报。

引言

人工智能(AI)与医疗物联网(IoMT)的结合开启了智能实时监测的新时代,使得在重症监护室(ICU)中能够更早地发现异常情况,减轻临床医生的负担并改善临床效果[1]、[2]。通过在像ESP32这样的超低功耗边缘设备上部署机器学习模型,医疗系统获得了极大的优势,如不到10毫秒的推理延迟、减少对云的依赖以及更快的响应时间——这些特性在ICU环境中至关重要,因为每一秒都可能决定患者的生死[3]、[4]、[5]。
从集中式智能向边缘分布式智能的转变带来了一个固有的弱点:缺乏设计上的网络韧性,即系统无法在没有人工干预的情况下自主检测、记录攻击并自我修复。随着IoMT系统智能水平的提高,它们也成为了复杂恶意攻击的高价值目标,包括模型篡改、传感器欺骗和拒绝服务(DoS)攻击,这些攻击可能会破坏诊断结果、触发虚假警报或完全瘫痪整个监测网络[6]、[7]。与IT系统不同,IoMT系统不能依赖人工干预的安全响应;如果对潜在的致命攻击反应迟缓,将直接导致严重的临床后果。特别是在联邦学习环境中,数据篡改是一个严重威胁,因为它允许恶意更新,从而降低所有机构的模型质量[8]。
我们之前的工作[9]为量子抗性边缘监测框架奠定了基础,该框架整合了基于TinyML的异常检测系统,并与ML-KEM-512(Kyber)量子安全版本兼容,以确保数据传输过程中的隐私和完整性。在此基础上,我们进一步开发了联邦学习(FL)框架[10],实现了多机构间的协作,无需共享原始数据,从而在保护隐私的同时提高模型泛化能力。尽管取得了这些进展,但仍有关键缺陷:这些系统是被动的。虽然它们可以安全地发送和接收数据并共同训练模型,但无法感知、记录或自动响应正在进行的网络攻击,而这正是我们所定义的自主网络韧性。尽管区块链已被用于审计性[11]和入侵检测系统(IDS)以监测威胁[12],但现有的框架尚未将设备级入侵检测系统、PQC保护的审计日志记录以及基于智能合约的自我修复集成到联邦TinyML架构中。这种架构缺陷使得IoMT系统容易受到连锁故障的影响。一旦某个节点被攻破,就可能导致全局模型受损、传感器数据被篡改以掩盖关键事件,或发起DoS攻击——而这一切都不会触发任何自动化防御机制[13]。
为了解决这些限制,我们推出了TrustEdge——一个新型框架,它克服了以往系统的三个主要缺点:(i) 缺乏实时的设备级威胁检测;(ii) 缺乏量子安全的防篡改日志记录;(iii) 在关键环境中依赖人工干预进行恢复。
TrustEdge是第一个端到端集成四个核心功能的医疗物联网框架:(i) 基于TinyML的设备级入侵检测系统(IDS),持续监控网络威胁;(ii) 使用NIST标准化算法ML-KEM-512的PQC保护联邦学习;(iii) 不可篡改的轻量级区块链审计日志记录;(iv> 基于智能合约的自我修复机制——在检测到攻击后,自动执行的区块链协议会触发恢复动作(如节点隔离或模型回滚)。
这些组件在非独立同分布(non-IID)的临床环境中
运行,其中患者数据在ICU单元之间的分布存在显著差异(例如创伤护理与心脏护理),这违反了标准联邦学习中假设的独立同分布(IID)条件。
如图1所示,TrustEdge通过三项协同设计的创新将被动监测转变为主动防御:
  • 1.
    设备级入侵检测系统(IDS):
    每个ESP32节点上运行一个辅助的TinyML模型,持续监控传感器数据和模型更新,以检测网络攻击(包括传感器欺骗、模型篡改和DoS),准确率为98.2%,延迟小于毫秒级。检测在源头进行,无需依赖云或雾计算层。
  • 2.
    PQC保护的区块链审计日志:
    所有模型更新和IDS警报都会被不可篡改地记录在轻量级区块链上。每笔交易都使用NIST标准化的ML-KEM-512算法进行加密,确保量子安全性和不可否认性——即使面对未来的密码分析技术进步也是如此。
  • 3.
    智能合约驱动的自我修复:
    在检测到攻击时,经过PQC验证的智能合约会自动执行预定义的恢复协议——例如隔离受损节点、回滚到可信模型版本或重新启动联邦学习——从而实现自主的系统恢复,无需人工干预。这将平均修复时间(MTTR)从几分钟(或几小时)缩短到几毫秒。
  • 我们使用一个经过临床验证的合成ICU数据集[14]在三个模拟医院中对TrustEdge进行了验证,这些医院采用了高保真度联合仿真框架,该框架结合了OMNeT++网络建模(54 Mbps WiFi,误码率为10?5的传输速率和共频道干扰,并使用Python执行TinyML推理、PQC操作和区块链逻辑。这种方法确保了伦理安全性——通过在公开发布的代码、数据和仿真脚本中避免恶意注入——同时保持了可重复性。该数据集包含200名患者,每位患者生成5000个连续读数,涵盖五种临床状态(正常、轻度、中度、重度、异常),并加入了真实的噪声和临床模式。测试结果表明:TrustEdge实现了:
  • 98.2%的攻击检测准确率,误报率为1%
  • 亚秒级的端到端响应时间(从攻击检测到缓解)
  • 可忽略的开销(PQC加密:0.09毫秒;区块链交易:1.2毫秒)
  • 临床异常检测性能无下降(保持99.4%的准确率)
  • TrustEdge在三个方面实现了技术进步:
    • 1.
      第一个集成框架:
      它是第一个将患者级IDS、联邦TinyML、PQC保护的区块链和自主自我修复集成到单一边缘原生架构中的框架,填补了近期Elsevier物联网研究中关于量子安全医疗系统的关键空白[11]、[15]。
    • 2.
      自主网络韧性:
      它引入了第一个实用的自主自我修复机制,这是所有先前IoMT系统所缺乏的,对于关键医疗应用至关重要。
    • 3.
      完全可复现性:
      所有代码均公开发布,便于社区验证,加速了研究和临床应用中的采用。
    本文的其余部分结构如下:第3节介绍方法和TrustEdge架构;第5节分析结果和性能;第6节总结研究意义和未来研究方向。

    文献综述

    边缘智能、后量子安全技术和自主响应机制的结合正在重新定义医疗物联网(IoMT)系统的未来,尤其是在重症监护(ICU)等关键领域。尽管最近在隐私(通过联邦学习)、效率(通过TinyML)和保密性(通过PQC)方面取得了进展,但仍然缺少一个关键能力:自主网络韧性,即无需人工干预即可检测、记录和自我修复攻击的能力。

    方法论

    本节详细介绍了实现和评估TrustEdge的方法论,这是一个结合了联邦TinyML、设备级入侵检测、PQC保护的区块链审计性和智能合约驱动的自我修复的混合框架。整个流程——从合成数据集生成和非独立同分布(non-IID)数据划分到攻击注入、自主响应和性能基准测试——都是在使用高保真度方法实现的

    机器学习框架

    本节详细介绍了支撑TrustEdge框架的端到端机器学习流程,包括数据集生成和预处理、模型设计、联邦训练以及边缘部署。重要的是,这个流程是在非独立同分布(non-IID)环境中运行的,其中患者数据在各个机构之间的分布存在显著差异,这是多医院ICU环境中的常见挑战,这违背了标准联邦学习的假设。

    结果

    本节展示了在三个模拟医院中TrustEdge框架的实验评估结果。我们评估了临床异常检测准确性、入侵检测性能、联邦学习收敛性、PQC开销、自主自我修复能力以及在不同网络条件下的系统稳定性。所有实验均使用了第3.1节描述的经过临床验证的合成ICU数据集进行,模型也经过了相应的训练和验证

    结论

    本文介绍了TrustEdge,这是第一个集成了设备级入侵检测、联邦TinyML、PQC保护的区块链和自主自我修复的端到端网络韧性框架,填补了最近Elsevier物联网研究中关于量子安全医疗系统的关键空白[11]、[15]。
  • 2.
    自主网络韧性:
    它引入了第一个实用的自主自我修复机制,这是所有先前IoMT系统所缺乏的,对于关键医疗应用至关重要。
  • 3.
    完全可复现性:
    所有代码均公开发布,便于社区验证,加速了研究和临床应用中的采用。
  • 本文的其余部分结构如下:第3节介绍方法和TrustEdge架构;第5节分析结果和性能;第6节总结研究意义和未来研究方向。

    方法部分

    文献综述

    边缘智能、后量子安全技术和自主响应机制的融合正在重新定义医疗物联网(IoMT)系统的未来,尤其是在重症监护等关键领域。尽管最近在隐私(通过联邦学习)、效率(通过TinyML)和保密性(通过PQC)方面取得了进展,但仍然缺少一个关键能力:自主网络韧性,即检测、记录

    方法论

    本节详细介绍了实现和评估TrustEdge的方法论,这是一个结合了联邦TinyML、设备级入侵检测、PQC保护的区块链审计性和智能合约驱动的自我修复的混合框架。整个流程——从合成数据集生成和非独立同分布数据划分到攻击注入、自主响应和性能基准测试——都是在使用高保真度方法实现的

    机器学习框架

    本节详细介绍了支撑TrustEdge框架的端到端机器学习流程,包括数据集生成和预处理、模型设计、联邦训练以及边缘部署。重要的是,这个流程是在非独立同分布(non-IID)环境中运行的,其中患者数据在各个机构之间的分布存在显著差异,这是多医院ICU环境中的常见挑战,这违背了标准联邦学习的假设。

    结果

    本节展示了在三个模拟医院中TrustEdge框架的实验评估结果。我们评估了临床异常检测准确性、入侵检测性能、联邦学习收敛性、PQC开销、自主自我修复能力以及系统在不同网络条件下的稳定性。所有实验均使用了第3.1节描述的经过临床验证的合成ICU数据集进行

    结论

    本文介绍了TrustEdge,这是第一个集成了设备级入侵检测、联邦TinyML、后量子安全保护和自主自我修复的端到端网络韧性框架。在基于我们之前在安全边缘推理[9]和保护隐私的联邦学习[10]的工作基础上,TrustEdge填补了IoMT系统中的一个关键空白:即缺乏自主网络韧性——无需人工干预即可检测、记录和自我修复攻击的能力

    资金支持

    本项工作得到了伊玛目穆罕默德·伊本·沙特伊斯兰大学(Imam Mohammad Ibn Saud Islamic University, IMSIU)科研部的支持和资助(项目编号:IMSIU-DDRSP2501)。

    CRediT作者贡献声明

    乌马尔·海亚特·汗(Umar Hayat Khan):撰写初稿、软件开发、项目管理、调查、形式分析、概念构思。阿法克·卡马尔(Affaq Qamar):可视化设计、资金获取、概念构思。拉希姆·汗(Rahim Khan):撰写与编辑、验证、监督。穆罕默德·A·阿拉瓦德(Mohamad A. Alawad):监督、资源协调、资金获取。法哈德·阿尔图里塞(Fahad Alturise):验证、方法论设计。马克苏德·海亚特(Maqsood Hayat):方法论设计、数据整理。

    利益冲突声明

    作者声明没有利益冲突。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号