Un marco de blockchain adaptativo para IoMT federado con consenso basado en aprendizaje por refuerzo y pronóstico de...

Área de la Ciencia:

• Ciencias de la computación Ciencias de la computación
• La inteligencia artificial es inteligencia artificial.
• Ciberseguridad Ciberseguridad.

Sus antecedentes:

• La rápida expansión del Internet de las Cosas Médicas (IoMT) genera datos sensibles masivos de atención médica, lo que plantea desafíos para las arquitecturas tradicionales en la gestión de flujos de datos con baja latencia, escalabilidad y seguridad.
• Los sistemas actuales de IoMT se enfrentan a dificultades en la toma de decisiones en tiempo real debido a la sobrecarga del sistema y los retrasos, lo que afecta a las operaciones críticas de atención médica.

Objetivo del estudio:

• Proponer un marco novedoso que integre el aprendizaje automático (ML) con nubes federadas de Internet de las Cosas (IoT) basadas en blockchain para un manejo eficiente y seguro de los datos de atención médica.
• Abordar las limitaciones de las arquitecturas tradicionales de IoMT en la gestión de flujos de datos sensibles a gran escala.

Principales métodos:

• Utilizó Gradient Boosting Machines (GBM) para la optimización inteligente del almacenamiento de datos, Deep Q-Learning (DQN) para la gestión de recursos y Convolutional Autoencoders para mejorar la privacidad y la seguridad.
• Implementó una red de memoria larga a corto plazo (LSTM) para la predicción de la utilización de recursos y un protocolo de consenso de tolerancia a fallas bizantinas adaptativas (ABFT) con aprendizaje por refuerzo (RL) para mejorar la eficiencia de las transacciones.
• Aprovechó Hyperledger Fabric para una red blockchain privada, asegurando un flujo continuo de datos optimizados entre las capas del marco.

Principales resultados:

• Logró una mejora del 25% en las tasas de aciertos de caché y una reducción del 30% en la latencia de lectura utilizando GBM. DQN optimizó la gestión de recursos, reduciendo la carga de la CPU en un 20%.
• Los Autoencoders convolucionales mejoraron la detección de anomalías en un 95%, con una reducción del 10% en falsos positivos. LSTM mejoró la predicción de la utilización de recursos al 90%.
• El protocolo de consenso ABFT-RL demostró una mejora del 40% en el rendimiento de las transacciones y una reducción del 20% en la latencia de las transacciones, superando a PBFT y Raft en un 43% y 31%, respectivamente.

Conclusiones:

• El marco blockchain integrado en ML propuesto ofrece una solución escalable, segura y eficiente para administrar datos de atención médica en entornos IoMT.
• El marco mejora significativamente las capacidades de toma de decisiones en tiempo real, reduce la sobrecarga del sistema y mejora el rendimiento general en aplicaciones de telemedicina y atención médica remota.