DOI: https://doi.org/10.3389/fpubh.2026.1762346
PMID: https://pubmed.ncbi.nlm.nih.gov/41923773
تاريخ النشر: 2026-03-17
المؤلف: Etidal Alruwaili وآخرون
الموضوع الرئيسي: التقنيات التي تحافظ على الخصوصية في البيانات
نظرة عامة
تقدم ورقة البحث FedSecure-Chain، وهو إطار عمل معياري يهدف إلى تعزيز موثوقية التعلم الفيدرالي (FL) في بيئات الرعاية الصحية. يتيح التعلم الفيدرالي للمؤسسات تدريب نماذج التعلم الآلي بشكل تعاوني مع الحفاظ على خصوصية بيانات المرضى، ولكنه لا يزال عرضة لهجمات التسمم التي يمكن أن تضر بسلامة النموذج. يعالج FedSecure-Chain هذه الثغرات من خلال نهج ثلاثي المراحل: مرحلة كشف الشذوذ لتحديد التحديثات المشبوهة من العملاء، واستراتيجية تجميع قوية للتخفيف من تأثير المساهمات الضارة، وطبقة سلسلة الكتل لتتبع وتدقيق تحديثات النموذج. تظهر النتائج التجريبية أن هذا الإطار يقلل بشكل كبير من تأثير هجمات التسمم مع الحفاظ على أداء النموذج، مما يعزز الثقة في أنظمة الرعاية الصحية الفيدرالية.
يستخدم الإطار تقنيات كشف الشذوذ الإحصائي والطيفي جنبًا إلى جنب مع طرق التجميع المقاومة للبيزنطية، مما يعكس فعاليته في مواجهة أنواع مختلفة من الهجمات، بما في ذلك هجمات قلب التسمية وهجمات الباب الخلفي، مع ضمان دقة عالية على مجموعات البيانات الطبية. يسهل النظام الثنائي لسلسلة الكتل – الذي يستخدم Ethereum لتوفير مسارات تدقيق غير قابلة للتغيير وHyperledger Fabric لإدارة الثقة ذات الكمون المنخفض – تحديثات شفافة مع الحد الأدنى من الأعباء، مما يدعم الامتثال التنظيمي. ستوسع الأعمال المستقبلية التقييم ليشمل مجموعات بيانات الرعاية الصحية الأكبر، مثل MIMIC-III وeICU، لتقييم القابلية للتوسع والموثوقية، وستستكشف الدفاعات التكيفية، والخصوصية التفاضلية، ونمذجة الهجمات المتقدمة لتعزيز قابلية تطبيق الإطار في بيئات الرعاية الصحية الواقعية.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على التبني المتزايد للتعلم الآلي في الرعاية الصحية، لا سيما للمهام مثل التشخيص المبكر والعلاج الشخصي. ومع ذلك، تنشأ تحديات من حساسية البيانات السريرية والقيود التنظيمية، التي تعيق جمع البيانات المركزية. يقدم التعلم الفيدرالي (FL) حلاً من خلال السماح للمؤسسات بتدريب النماذج بشكل تعاوني مع الحفاظ على بيانات المرضى محلية، مما يتوافق مع اللوائح مثل HIPAA وGDPR. على الرغم من مزاياه، يواجه التعلم الفيدرالي تحديات كبيرة، بما في ذلك البيانات غير المستقلة وغير المتطابقة، وأعباء الاتصال، والثغرات الأمنية، خاصة من الهجمات العدائية التي يمكن أن تسمم تحديثات النموذج.
تحدد الورقة تهديدات محددة مثل قلب التسمية وهجمات الباب الخلفي، التي تشكل مخاطر على موثوقية النموذج في البيئات السريرية. غالبًا ما تكون الدفاعات الحالية غير كافية ضد الهجمات المنسقة أو متعددة الاتجاهات، خاصة في البيئات غير المتجانسة حيث تخدم المؤسسات مجموعات متنوعة من المرضى. لمعالجة هذه الثغرات، يقترح المؤلفون FedSecure-Chain، وهو إطار عمل معياري يدمج كشف الشذوذ قبل التجميع، وآليات تجميع قوية، وطبقة سلسلة الكتل للتدقيق الشفاف. يهدف هذا الإطار إلى تعزيز متانة وموثوقية التعلم الفيدرالي في تحليلات الرعاية الصحية، مع إجراء تقييمات على مختلف هجمات التسمم والسيناريوهات غير المستقلة وغير المتطابقة باستخدام نماذج التعلم العميق على مجموعات بيانات سرطان الثدي. ستستكشف الأقسام اللاحقة من الورقة الأعمال ذات الصلة، وهندسة FedSecure-Chain، والمنهجيات التجريبية، والنتائج.
طرق
في هذا القسم، يوضح المؤلفون طرق التجميع المستخدمة في دراستهم، مع تسليط الضوء على خمس طرق متميزة مع تفاوتات في المتانة وكفاءة التبادل. الطريقة الأساسية، FedAvg، تحسب متوسطًا مرجحًا لتحديثات العملاء بناءً على حجم مجموعة البيانات، ممثلة رياضيًا كالتالي \( w^{(t+1)} = \sum_{i \in B} \left( \frac{n_i}{N} w_i \right) \)، حيث \( N = \sum_{i \in B} n_i \). تشمل الطرق الأخرى Krum، التي تختار التحديث الأقرب إلى الأغلبية من خلال حساب مجموع المسافات المربعة إلى أقرب \( m-f-2 \) جيران؛ Trimmed-Mean، التي تأخذ المتوسط بعد إزالة أعلى وأسفل \( \beta \) من التحديثات لتعزيز المقاومة ضد العملاء البيزنطيين؛ وCoordinate-wise Median، التي تأخذ بشكل مستقل الوسيط عبر العملاء لكل معلمة، مما يزيد من متانة القيم الشاذة.
يستخدم التصميم التجريبي محاكي التعلم الفيدرالي Flower لتقييم إطار عمل FedSecure-Chain، مستفيدًا من قدراته المعيارية لتنظيم التدريب الفيدرالي متعدد العملاء ومحاكاة السلوكيات العدائية. تعتبر مجموعة بيانات تشخيص سرطان الثدي في ويسكونسن (WDBC) هي الأساس للتجارب نظرًا لأهميتها الطبية وقابليتها للتفسير. تتكون مجموعة البيانات من 569 عينة، مع استراتيجية تقسيم تستخدم انحرافًا غير مستقل وغير متطابق باستخدام توزيع ديريشليت (α = 0.5)، مما يضمن توزيع بيانات العملاء بشكل غير متجانس للغاية. تحافظ التجارب على خطوط تدريب متسقة، وهياكل تعلم عميق، ومعلمات فرعية، ومقاييس تقييم عبر إعدادات مختلفة، بما في ذلك السيناريوهات النظيفة، والهجمات، والدفاعات، مع عدد العملاء يتراوح من 10 إلى 100.
نتائج
تركز نتائج التجارب التي أجريت في هذه الدراسة على ثلاثة مجالات رئيسية: أداء التعلم الفيدرالي في كل من الإعدادات النظيفة والعدائية، وفعالية آلية الدفاع FedSecure-Chain، والأعباء التشغيلية وقابلية التدقيق التي توفرها بنية سلسلة الكتل الثنائية. تحت ظروف غير مستقلة وغير متطابقة نظيفة، أظهر النموذج الفيدرالي معدلات دقة متسقة تتراوح من 94% إلى 95%. وهذا يشير إلى أن العمود الفقري المضغوط للمتعدد الطبقات (MLP) يحتفظ بقدرات تنبؤية قوية حتى في وجود توزيع انحراف التسمية.
تعمل هذه المقاييس الدقيقة كنقطة انطلاق لتقييم تدهور المتانة أثناء هجمات التسمم العدائية والتعافي اللاحق للأداء الذي يسهل من خلال إطار عمل FedSecure-Chain. تؤكد النتائج على مرونة نموذج التعلم الفيدرالي وإمكانية خط أنابيب الدفاع المقترح لتخفيف آثار الظروف العدائية.
مناقشة
توضح قسم المناقشة في ورقة البحث المشهد الحالي للتعلم الفيدرالي (FL) في الرعاية الصحية، مع التركيز على تطبيقاته، وثغراته، وآليات الدفاع ضد هجمات التسمم. يتيح التعلم الفيدرالي تدريب النماذج بشكل تعاوني مع حماية بيانات المرضى الحساسة، مع الالتزام باللوائح مثل HIPAA وGDPR. على الرغم من مزاياه في التطبيقات الطبية المتنوعة، مثل توقع الأمراض وتحليل الصور الطبية، لا تزال التحديات قائمة، بما في ذلك توزيعات البيانات غير المستقلة وغير المتطابقة وأعباء الاتصال، التي يمكن أن تعيق تقارب النموذج واستقراره. يسلط القسم الضوء على الدراسات الحديثة التي تصنف تهديدات FL والدفاعات، مما يوضح نضج الأدبيات ولكن تفتت المعلومات حول أمان FL.
تحدد الورقة فئتين رئيسيتين من هجمات التسمم: تسمم البيانات (مثل قلب التسمية، حقن الميزات) وتسمم النموذج (مثل التلاعب بالتدرجات). تشير الأبحاث إلى أن عددًا قليلاً من العملاء الضارين يمكن أن يضر بشكل كبير بسلامة النموذج، خاصة في ظل ظروف غير مستقلة وغير متطابقة. تستغل الهجمات المتقدمة، مثل هجمات الباب الخلفي التعاونية، تباين العملاء، مما يجعل الكشف عنها صعبًا. لمواجهة هذه التهديدات، تم اقتراح استراتيجيات دفاعية متنوعة، بما في ذلك طرق التجميع القوية وتقنيات كشف الشذوذ. يتم تقديم إطار عمل FedSecure-Chain كحل شامل يدمج هذه الدفاعات مع تكنولوجيا سلسلة الكتل، مما يخلق بنية متعددة الطبقات تعزز الأمان، والمساءلة، والشفافية في التعلم الفيدرالي للرعاية الصحية. يهدف هذا الإطار إلى توفير بيئة مرنة ضد هجمات التسمم مع ضمان الامتثال للمعايير التنظيمية.
القيود
يستعرض قسم القيود القيود المحددة التي تواجهها الجهات الفاعلة في سياق هجمات التسمم البياني. من الجدير بالذكر أن المهاجمين مقيدون من الوصول إلى البيانات التي تخص عملاء آخرين، أو مراقبة عملية التجميع في الوقت الفعلي، أو الحصول على معرفة مسبقة بتكوينات الدفاع المستخدمة. هذه القيود حاسمة لأنها تحدد الحدود التشغيلية التي يجب على المهاجمين استراتيجيتها في هجماتهم.
بالإضافة إلى ذلك، يقدم القسم ملخصًا لمختلف تكوينات هجمات التسمم وإعدادات معلماتها، كما هو موضح في الجدول 6. تشمل التكوينات أنواع هجمات مختلفة مثل قلب التسمية، التسمية النظيفة، الباب الخلفي، وهجمات البيزنطية، كل منها مع النسب الضارة المحددة (Mal. %)، والمعلمات المستهدفة، وأنماط التشغيل. على سبيل المثال، يتم تنفيذ هجوم قلب التسمية بنسبة ضارة تبلغ 10%، 20%، أو 30%، بينما يستخدم هجوم الباب الخلفي مشغلًا محددًا عند 5% في وضع تكيفي. هذه المعلمات ضرورية لفهم التأثير المحتمل وفعالية كل نوع من أنواع الهجمات ضمن القيود المحددة.
DOI: https://doi.org/10.3389/fpubh.2026.1762346
PMID: https://pubmed.ncbi.nlm.nih.gov/41923773
Publication Date: 2026-03-17
Author(s): Etidal Alruwaili et al.
Primary Topic: Privacy-Preserving Technologies in Data
Overview
The research paper introduces FedSecure-Chain, a modular framework aimed at enhancing the reliability of Federated Learning (FL) in healthcare settings. FL allows institutions to collaboratively train machine learning models while preserving patient data privacy, but it remains vulnerable to poisoning attacks that can compromise model integrity. FedSecure-Chain addresses these vulnerabilities through a three-phase approach: an anomaly detection stage to identify suspicious client updates, a robust aggregation strategy to mitigate the influence of malicious contributions, and a blockchain layer for traceability and auditing of model updates. Experimental results demonstrate that this framework significantly reduces the impact of poisoning attacks while maintaining model performance, thus reinforcing trust in federated healthcare systems.
The framework employs statistical and spectral anomaly detection alongside Byzantine-resilient aggregation methods, effectively countering various attack types, including label-flip and backdoor attacks, while ensuring high accuracy on medical datasets. The dual-blockchain system—utilizing Ethereum for immutable audit trails and Hyperledger Fabric for low-latency trust management—facilitates transparent updates with minimal overhead, supporting regulatory compliance. Future work will expand the evaluation to larger healthcare datasets, such as MIMIC-III and eICU, to assess scalability and robustness, and will explore adaptive defenses, differential privacy, and advanced attack modeling to further enhance the framework’s applicability in real-world healthcare environments.
Introduction
The introduction of this research paper highlights the growing adoption of machine learning in healthcare, particularly for tasks such as early diagnosis and personalized treatment. However, challenges arise from the sensitivity of clinical data and regulatory constraints, which hinder centralized data collection. Federated Learning (FL) offers a solution by allowing institutions to collaboratively train models while keeping patient data local, thus complying with regulations like HIPAA and GDPR. Despite its advantages, FL faces significant challenges, including non-IID data, communication overhead, and security vulnerabilities, particularly from adversarial attacks that can poison model updates.
The paper identifies specific threats such as label-flipping and backdoor attacks, which pose risks to model reliability in clinical settings. Existing defenses are often inadequate against coordinated or multi-vector attacks, especially in heterogeneous environments where institutions serve diverse patient populations. To address these vulnerabilities, the authors propose FedSecure-Chain, a modular framework that integrates pre-aggregation anomaly detection, robust aggregation mechanisms, and a blockchain layer for transparent auditing. This framework aims to enhance the robustness and trustworthiness of FL in healthcare analytics, with evaluations conducted on various poisoning attacks and non-IID scenarios using deep learning models on Breast Cancer datasets. The subsequent sections of the paper will explore related work, the architecture of FedSecure-Chain, experimental methodologies, and results.
Methods
In this section, the authors detail the aggregation methods employed in their study, highlighting five distinct approaches with varying robustness and efficiency trade-offs. The baseline method, FedAvg, computes a weighted average of client updates based on dataset size, represented mathematically as \( w^{(t+1)} = \sum_{i \in B} \left( \frac{n_i}{N} w_i \right) \), where \( N = \sum_{i \in B} n_i \). Other methods include Krum, which selects the update closest to the majority by calculating the sum of squared distances to the \( m-f-2 \) nearest neighbors; Trimmed-Mean, which averages after removing the top and bottom \( \beta \) fractions of updates to enhance resilience against Byzantine clients; and Coordinate-wise Median, which independently takes the median across clients for each parameter, maximizing outlier robustness.
The experimental design utilizes the Flower federated learning simulator to evaluate the FedSecure-Chain framework, leveraging its modular capabilities for orchestrating multi-client federated training and simulating adversarial behaviors. The Breast Cancer Wisconsin Diagnostic (WDBC) dataset serves as the foundation for the experiments due to its medical relevance and interpretability. The dataset comprises 569 samples, with a partitioning strategy that employs a non-IID label skew using a Dirichlet distribution (α = 0.5), ensuring a highly heterogeneous client data distribution. The experiments maintain consistent training pipelines, deep learning architectures, hyperparameters, and evaluation metrics across various settings, including clean, attacked, and defended scenarios, with client counts varying from 10 to 100.
Results
The results of the experiments conducted in this study focus on three key areas: the performance of federated learning in both clean and adversarial settings, the effectiveness of the FedSecure-Chain defense mechanism, and the operational overhead and auditability provided by the dual blockchain architecture. Under clean non-IID conditions, the federated model demonstrated consistent accuracy rates ranging from 94% to 95%. This indicates that the compact multi-layer perceptron (MLP) backbone retains strong predictive capabilities even in the presence of label skew distribution.
These accuracy metrics serve as a baseline for evaluating the degradation of robustness during adversarial poisoning attacks and the subsequent recovery of performance facilitated by the FedSecure-Chain framework. The findings underscore the resilience of the federated learning model and the potential of the proposed defense pipeline to mitigate the impacts of adversarial conditions.
Discussion
The discussion section of the research paper outlines the current landscape of federated learning (FL) in healthcare, emphasizing its applications, vulnerabilities, and defense mechanisms against poisoning attacks. Federated learning enables collaborative model training while safeguarding sensitive patient data, adhering to regulations like HIPAA and GDPR. Despite its advantages in diverse medical applications, such as disease prediction and medical image analysis, challenges persist, including non-IID data distributions and communication overhead, which can hinder model convergence and stability. The section highlights recent studies that categorize FL threats and defenses, illustrating the maturity yet fragmentation of the literature on FL security.
The paper identifies two primary categories of poisoning attacks: data poisoning (e.g., label flipping, feature injection) and model poisoning (e.g., gradient manipulation). Research indicates that even a small number of malicious clients can significantly compromise model integrity, particularly under non-IID conditions. Advanced attacks, such as collaborative backdoor attacks, exploit client heterogeneity, making detection difficult. To counter these threats, various defense strategies have been proposed, including robust aggregation methods and anomaly detection techniques. The FedSecure-Chain framework is introduced as a comprehensive solution that integrates these defenses with blockchain technology, creating a multi-layered architecture that enhances security, accountability, and transparency in federated learning for healthcare. This framework aims to provide a resilient environment against poisoning attacks while ensuring compliance with regulatory standards.
Limitations
The section on limitations outlines specific constraints faced by adversaries in the context of data poisoning attacks. Notably, attackers are restricted from accessing data belonging to other clients, observing the aggregation process in real-time, or having prior knowledge of the defense configurations employed. These limitations are critical as they define the operational boundaries within which adversaries must strategize their attacks.
Additionally, the section presents a summary of various poisoning attack configurations and their parameter settings, as detailed in TABLE 6. The configurations include different attack types such as label-flip, clean-label, backdoor, and Byzantine attacks, each with specified malicious percentages (Mal. %), target parameters, and operational modes. For instance, the label-flip attack is executed with a malicious percentage of 10%, 20%, or 30%, while the backdoor attack employs a trigger set at 5% in an adaptive mode. These parameters are essential for understanding the potential impact and effectiveness of each attack type within the defined limitations.