適応型ブロックチェーンフレームワーク：強化学習ベースのコンセンサスとリソース予測を備えたフェデレーテッドIoMT向け

科学分野:

• コンピュータサイエンス;人工知能;サイバーセキュリティ

背景:

• 医療IoT（IoMT）の急速な拡大は、大量の機密性の高いヘルスケアデータを生成しており、低遅延、スケーラビリティ、セキュリティを備えたデータストリームの管理において、従来のアーキテクチャに課題をもたらしています。現在のIoMTシステムは、システムオーバーヘッドと遅延のため、リアルタイムの意思決定に困難を抱えており、重要なヘルスケア業務に影響を与えています。

研究 の 目的:

• 効率的かつ安全なヘルスケアデータ処理のために、機械学習（ML）とブロックチェーンベースのフェデレーテッドIoT（Internet of Things）クラウドを統合した新しいフレームワークを提案すること。大規模で機密性の高いデータストリームを管理する際の従来のIoMTアーキテクチャの制限に対処すること。

主な方法:

• インテリジェントなデータストレージ最適化のために勾配ブースティングマシン（GBM）を、リソース管理のために深層Q学習（DQN）を、プライバシーとセキュリティ強化のために畳み込みオートエンコーダーを使用しました。トランザクション効率の向上を目指し、リソース利用率予測のために長短期記憶（LSTM）ネットワークを、強化学習（RL）を用いた適応型ビザンチン耐障害性（ABFT）コンセンサスプロトコルを実装しました。プライベートブロックチェーンネットワークにはHyperledger Fabricを活用し、フレームワークレイヤー間の最適化されたデータのシームレスなフローを保証しました。

主要な成果:

• GBMを使用してキャッシュヒット率を25%改善し、読み取り遅延を30%削減しました。DQNはリソース管理を最適化し、CPU負荷を20%削減しました。畳み込みオートエンコーダーは、偽陽性を10%削減して異常検出を95%向上させました。LSTMはリソース利用率予測を90%に向上させました。ABFT-RLコンセンサスプロトコルは、トランザクションスループットを40%改善し、トランザクション遅延を20%削減し、PBFTおよびRaftをそれぞれ43%および31%上回りました。

結論:

• 提案されたML統合ブロックチェーンフレームワークは、IoMT環境におけるヘルスケアデータの管理に対して、スケーラブルで安全かつ効率的なソリューションを提供します。このフレームワークは、リアルタイムの意思決定能力を大幅に向上させ、システムオーバーヘッドを削減し、遠隔医療および遠隔ヘルスケアアプリケーションにおける全体的なパフォーマンスを向上させます。