《Computer Networks》：Blockchain-Enabled Federated Learning Framework with Cantor Filtering and Reed–Solomon Coding for Secure Healthcare IoT Systems
编辑推荐：
区块链联邦学习框架在医疗物联网中的应用研究提出Cantor–PoF BFL模型，通过Cantor集数据过滤、CSI引导的功率分配和基于Nine Men's Morris的PoF共识机制，结合Banach-Tarski分形冗余实现高效安全的数据传输与模型更新，实验验证其在PPG-BP数据集上预测精度提升、通信延迟降低且抗DDoS和模型投毒攻击。
Tasiu Muazu|Mao Yingchi
中国南京河海大学计算机与软件工程学院，邮编210098
摘要
物联网（IoT）设备的普及加速了对安全、保护隐私且通信效率高的协作学习框架的需求。然而，传统的联邦学习系统面临数据异构性、通信链路不可靠以及易受对抗性攻击等关键挑战。为了解决这些问题，本研究提出了一种新颖的Cantor–Proof-of-Filtering区块链联邦学习（Cantor–PoF BFL）框架，该框架结合了基于Cantor集的数据过滤、信道状态信息（CSI）引导的功率分配以及基于九人莫里斯计算棋盘的Proof-of-Filtering（PoF）共识机制。Cantor过滤机制消除了IoT设备中的冗余和低熵数据，从而提高了学习效率和收敛速度，而PoF共识机制确保了分布式节点间模型更新的安全性、可验证性和能效。该框架还引入了契约论激励机制，以激励参与者的诚实行为并确保联邦客户端之间的公平性。为了提高容错能力和数据持久性，引入了Banach–Tarski分形冗余技术，将模型参数复制并分布在多个区块链分片上，从而抵御单点故障和攻击。使用PPG-BP数据集的实验结果表明，Cantor–PoF BFL模型在预测准确性、通信延迟和执行速度方面优于现有的区块链联邦学习框架（如BlockFL、BFLC和DeepChain）。此外，该模型对Sybil攻击、DDoS攻击和模型投毒攻击具有很强的抵御能力。这些发现表明，Cantor–PoF BFL框架是大规模IoT生态系统中安全、高效和可信的去中心化学习的稳健且可扩展的范式。
引言
医疗物联网（IoMT）的持续发展通过引入智能的、互连的基础设施（包括可穿戴和植入式传感器、医疗设备以及边缘计算系统）改变了医疗生态系统，这些系统能够实时收集和传输重要患者数据。这些IoMT系统处于精准医疗的前沿，实现了早期诊断、持续监测和个性化治疗，同时减少了对频繁就医的依赖。这些设备包括智能血糖仪、震颤传感器、脉搏血氧仪、血压监测仪和智能肺活量计等可穿戴和植入式传感器。然而，这些设备产生的日益增长的大量异构医疗数据引发了关于安全性、隐私性和数据管理效率的重大担忧。传统上用于预测分析和疾病检测的集中式机器学习框架已不再适用，因为它们存在单点故障、隐私泄露、高通信延迟和易受网络攻击等固有风险。通过无线通道传输医疗数据的复杂性进一步凸显了迫切需要能够在多样化医疗基础设施上有效运行的分布式和安全学习范式。
联邦学习（FL）作为一种去中心化模型训练的范式应运而生，允许多个客户端或设备在不交换原始数据的情况下协作训练共享的全球模型。在医疗领域，FL不仅确保了严格的隐私法规遵守，还促进了医院和医疗机构之间的知识共享。尽管具有优势，传统FL架构仍面临通信瓶颈、数据异构性、客户端参与不平衡以及恶意模型投毒或推理攻击等挑战。此外，对中央聚合器的依赖引入了潜在的漏洞和可扩展性问题。为了增强数据可信性和模型安全性，将区块链技术与FL相结合被认为是一个有前景的方向。区块链的去中心化账本、加密完整性和不可变性特性为安全存储模型更新和管理分布式实体之间的交易提供了透明且防篡改的框架。然而，传统的基于区块链的FL方法存在计算开销高和共识机制效率低的问题，这限制了其在资源受限的IoMT网络中的应用。
为了解决这些问题，本研究提出了一种专为智能医疗IoT环境设计的基于区块链的联邦学习架构。该系统引入了两项核心改进：Cantor过滤用于高质量数据选择，Reed–Solomon（RS）编码用于通信中的强健错误校正。Cantor过滤技术通过递归层次过滤系统地消除了冗余或无关的IoT数据，确保只有信息丰富且可靠的数据参与模型训练。这显著提高了数据质量和模型收敛效率。同时，RS编码在客户端和服务器之间传输模型参数时提供了强大的错误检测和校正能力，从而在网络条件不可靠的情况下仍能保持梯度完整性。为了进一步优化系统可扩展性，联邦客户端被分组为循环子组，由本地领导者协调，减少通信冗余并在传输到移动边缘计算（MEC）服务器之前在本地聚合更新。这种层次结构有效缓解了网络拥塞，确保了带宽的高效利用。
所提出的框架中整合了区块链，为全局模型更新提供了不可变的存储，并采用了一种新颖的Proof-of-Filtering（PoF）共识机制。与传统的工作量证明（PoW）或权益证明（PoS）不同，PoF结合了数据质量验证和基于九人莫里斯游戏的轻量级计算挑战来验证矿工。只有具有高过滤准确性和合法模型更新的节点才能添加新区块，从而增强信任并防止恶意参与。为了确保数据的持续可用性和抵御分布式拒绝服务（DDoS）或拜占庭攻击的能力，系统引入了类似Banach–Tarski分形的冗余技术，将区块链副本分布在多个安全节点上以实现容错。此外，在非正交多址（NOMA）框架内基于信道状态信息（CSI）的功率分配策略根据信道条件动态调整功率水平，优化了无线传输效率，确保了子组服务器之间的公平性。
通过使用基于光电容积描记法的血压（PPG-BP）医疗数据集进行综合模拟，评估了所提出模型的准确性、通信效率和对抗性威胁的抵御能力。实验结果表明，Cantor过滤增强了特征选择和模型收敛性，RS编码提高了传输可靠性，PoF机制以最低的计算成本增强了区块链的完整性。总体而言，这些创新确立了所提出架构作为IoMT环境中安全、可扩展且节能的隐私保护学习解决方案的地位。通过结合先进的数学过滤、错误校正和去中心化共识，本研究为下一代智能医疗系统奠定了坚实的基础，这些系统能够在保护敏感医疗数据的同时保持高性能和可信性。表1列出了本文中使用的缩写。
本文的其余部分组织如下：第2节提供文献综述，第3节介绍提出的模型设计，第4节进行安全分析，第5节讨论模拟结果，第6节总结本文并提出未来建议。
部分摘录
文献综述
本节回顾了与基于区块链的联邦学习及其应用相关的研究，并分为五个小节，系统地讨论了关键研究主题和开放性挑战。
提出的模型设计
在医疗IoT尤其是IoMT设备中，结合Cantor集[38]进行数据过滤和RS编码进行错误校正，可以通过创建高效的过滤器来选择性地移除数据，逐步基于某些层次属性消除数据点，因此非常适合我们提出的模型设计，用于移除冗余或无关的IoMT数据。这种方法的效率符合FL的目标，即最小化通信和计算开销。
安全分析
在本文中，由于所提出系统的弱点、对手的能力和攻击向量，所提出的模型可能容易受到各种攻击。例如，对手可能拦截通信通道以收集敏感数据或模型更新，多个恶意节点可能合谋操纵模型训练或共识机制。如果MEC服务器的凭证发放过程存在缺陷，所提出的系统可能会被利用。
仿真
所提出模型的仿真环境包括一台配备Intel i5四核处理器、1.60 GHz时钟速度和8 GB RAM的PC。Kubernetes用于在网络中协调MEC服务。Hyperledger Fabric用于实现联盟区块链，而Ethereum则用于混合架构中的智能合约执行。为了模拟和评估通信网络，使用了NS-3来测量通信结论
本文提出了一种基于区块链的联邦学习框架，用于安全高效的医疗IoT系统，通过紧密集成Cantor过滤、RS编码和新型PoF共识机制来实现这一目标。所提出的Cantor过滤方法有效去除了冗余和低质量数据，从而加快了模型收敛速度并提高了预测准确性，这一点在PPG-BP数据集上得到了验证。RS编码通过实现可靠的恢复显著增强了通信的鲁棒性
CRediT作者贡献声明
Tasiu Muazu：撰写 – 审稿与编辑、撰写 – 原稿、验证、方法论、概念化。Mao Yingchi：撰写 – 审稿与编辑、监督、项目管理、资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
