💻 computer science

DBHMT: Dynamic Balancing Hybrid Merkle Tree– Design, Optimization and Evaluation in IOTA Tangle for IoT-Enabled Healthcare 4.0

Dieses Paper schlägt den Dynamic Balancing Hybrid Merkle Tree (DBHMT) vor, eine optimierte Datenstruktur für das IOTA-Tangle-basierte Healthcare 4.0, die einen dynamischen Pruning-Mechanismus einsetzt, um eine vervierfache Reduzierung der Speicherkosten bei gleichzeitiger Aufrechterhaltung der Sicherheit für ressourcenbeschränkte IoT-Umgebungen zu erreichen.

Ursprüngliche Autoren: Basker Palaniswamy, Md Noor-A-Rahim, Paolo Palmieri, Francesco Regazzoni, Ashok Kumar Das, Vivekananda Bhat K

Veröffentlicht 2026-07-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Basker Palaniswamy, Md Noor-A-Rahim, Paolo Palmieri, Francesco Regazzoni, Ashok Kumar Das, Vivekananda Bhat K

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Große Ganze: Ein digitaler Aktenschrank für Gesundheitsdaten

Stellen Sie sich einen riesigen, gemeinsam genutzten digitalen Aktenschrank vor, den Krankenhäuser und Ärzte zur Speicherung von Patientenakten verwenden. In der Zukunft des Gesundheitswesens (genannt „Healthcare 4.0“) muss dieser Schrank unglaublich sicher sein, damit niemand die Unterlagen manipulieren kann, aber er muss auch klein genug sein, um auf die winzigen Computer in tragbaren Gesundheitsgeräten (wie Smartwatches oder Herzmonitoren) zu passen.

Das Problem ist, dass die derzeitige Art und Weise, diese Datensätze zu organisieren (unter Verwendung eines Standard-„Merkle-Baums“), einem Aktenschrank gleicht, der superexponentiell wächst. Jedes Mal, wenn eine neue Patientenakte hinzugefügt wird, wird der Schrank nicht nur ein kleines Stück größer; er explodiert förmlich in seiner Größe. Für Geräte mit begrenztem Speicherplatz ist das eine Katastrophe.

Die Autoren dieser Arbeit schlagen ein neues, intelligenteres Ablagesystem namens DBHMT (Dynamic Balancing Hybrid Merkle Tree) vor. Sie haben es auf eine spezifische Art von digitalem Register getestet, den IOTA Tangle (eine Blockchain, die für das Internet der Dinge entwickelt wurde).

Das Kernproblem: Der „Wachsende Schwanz“

Um ihre Lösung zu verstehen, stellen Sie sich vor, die Patientenakten sind in einer Baumstruktur angeordnet:

Die rechte Seite (Statisch): Dies sind Patienten mit langfristigen oder lebenslangen Erkrankungen (wie Diabetes oder Herzinsuffizienz). Ihre Unterlagen bleiben für immer im Schrank.
Die linke Seite (Dynamisch): Dies sind Patienten mit kurzfristigen Problemen (wie einer Grippe, einer kleinen Schnittwunde oder einer saisonalen Allergie). Ihre Unterlagen werden nur für kurze Zeit benötigt.

In einem Standardsystem wächst die „linke Seite“ immer weiter nach außen und erzeugt einen massiven, unordentlichen „Schwanz“ aus alten, abgelaufenen Datensätzen, die niemand mehr braucht. Dies verstopft den Speicherplatz.

Die Lösung: Der „Dynamic Pruning“ Gärtner

Die Lösung der Autoren besteht darin, wie ein Gärtner zu agieren, der genau weiß, welche Zweige er schneiden muss.

Der hybride Baum: Sie haben einen Baum gebaut, der teils „n-ärig“ (viele Zweige) und teils „binär“ (zwei Zweige) ist, der speziell darauf ausgelegt ist, die Mischung aus Langzeit- und Kurzzeitpatienten zu handhaben.
Der Pruning-Mechanismus: Sie haben einen „Pruning-Faktor“ eingeführt (nennen wir ihn $\alpha$ ). Dies ist eine Regel, die besagt: „Wenn die Akte eines Patienten abgelaufen ist (wie bei einer erkältungsbedingten Krankheit, die geheilt ist), schneide diesen Ast des Baumes ab.“
Das Gleichgewicht: Der schwierige Teil ist: Wenn man zu viel schneidet, verliert man Sicherheit (man kann nicht mehr beweisen, dass die Akte existierte). Wenn man zu wenig schneidet, geht der Speicherplatz aus.

Die „Goldlöckchen-Suche“ (Die Optimierung)

Das Finden des perfekten Schnittmaßes ist ein mathematisches Rätsel, das unglaublich schwer ist (NP-schwer). Es ist wie der Versuch, die perfekte Temperatur für eine Dusche zu finden, bei der man warm genug sein möchte, um sich wohlzufühlen, aber nicht so heiß, dass man sich verbrennt – während gleichzeitig der Wasserdruck ständig schwankt.

Der Algorithmus: Die Autoren verwendeten ein intelligentes mathematisches Werkzeug namens Adam-Optimierung (eine Art des Gradientenabstiegs). Stellen Sie sich dies als einen Roboter-Gärtner vor, der verschiedene Schnittwinkel ausprobiert, die Ergebnisse prüft und seine Schere langsam so lange anpasst, bis er den perfekten Schnitt findet.
Das Ergebnis: Sie fanden heraus, dass das Abschneiden von etwa 30 % der dynamischen Zweige (mit einem Pruning-Faktor von 0,7) der ideale Mittelweg war.

Die Ergebnisse: Eine 4-fache Verbesserung

Als sie dieses System mit einer Million Transaktionen testeten (um eine enorme Menge an Gesundheitsdaten zu simulieren):

Altes System: Die Speicherkosten wuchsen wild an, wie ein Ballon, der unkontrolliert aufgeblasen wird.
Neues System (DBHMT): Die Speicherkosten blieben handhabbar.
Der Sieg: Das neue System benötigte viermal weniger Speicherplatz als die herkömmliche Methode.

Sicherheit: Haben wir zu viel abgeschnitten?

Die Autoren waren sehr vorsichtig, um sicherzustellen, dass das Abschneiden dieser Zweige nicht die Sicherheit beeinträchtigt. Sie haben mathematisch bewiesen, dass selbst mit dem Pruning:

Integrität: Man immer noch beweisen kann, dass eine Akte zum Baum gehört.
Widerstandsfähigkeit gegen Angriffe: Es für einen Hacker immer noch rechnerisch unmöglich bleibt, eine Akte zu fälschen oder zwei verschiedene Datensätze zu finden, die identisch aussehen (Kollision).

Sie erstellten eine „Sicherheitslandkarte“ (Pareto-Front), die genau zeigt, wie viel Speicherplatz man spart im Verhältnis zu dem potenziellen Verlust an Sicherheit, um sicherzustellen, dass das System innerhalb der sicheren Grenzen (wie 128-Bit- oder 256-Bit-Sicherheitsstufen) bleibt.

Realer Kontext (Wie in der Arbeit angegeben)

Die Arbeit erwähnt spezifisch, dass dies für das IoT-gestützte Healthcare 4.0 konzipiert ist.

Die Geräte: Tragbare Fitness-Tracker, digitale Thermometer und Pulsoximeter.
Der Anwendungsfall: Verwaltung elektronischer Gesundheitsakten (EHRs) sowohl für chronische (langfristige) als auch für nicht-chronische (kurzfristige) Patienten.
Die Plattform: Es ist für den Betrieb auf dem IOTA Tangle ausgelegt, einem dezentralen Netzwerk, das keine Gebühren für Transaktionen erhebt, was es ideal für nicht-monetäre Gesundheitsdaten macht.

Zusammenfassung

Die Arbeit präsentiert eine neue Art, digitale Gesundheitsakten zu organisieren, die wie ein intelligenter, selbst-reinigender Aktenschrank funktioniert. Durch das automatische „Pruning“ (Löschen) kurzfristiger Datensätze bei gleichzeitiger Beibehaltung der langfristigen Daten und unter Verwendung eines intelligenten Algorithmus, um das perfekte Gleichgewicht zu finden, haben sie ein System geschaffen, das 4-mal effizienter bei der Speicherung von Daten ist, ohne die Sicherheit zu gefährden, die zum Schutz der Privatsphäre der Patienten notwendig ist.

Technisches Resümee: DBHMT – Dynamisch ausbalancierter hybrider Merkle-Baum für das IoT-gestützte Healthcare 4.0

1. Problemstellung

Das Aufkommen der sechsten Generation (6G) der Technologie und die Evolution von Healthcare 4.0 haben den Bedarf an einer sicheren, transparenten und effizienten Verwaltung elektronischer Gesundheitsakten (EHRs) innerhalb ressourcenbeschränkter Internet-of-Things (IoT)-Umgebungen intensiviert. Während dezentrale Architekturen wie das IOTA Tangle die notwendige Sicherheit und Transparenz bieten, stehen sie vor erheblichen Herausforderungen hinsichtlich der Speichereffizienz.

In traditionellen Healthcare-4.0-Szenarien weist der Patientendatenbestand dynamische Charakteristika auf: Einige Datensätze (z. B. kurzfristige Erkrankungen, Verletzungen) haben eine kurze Lebensdauer, während andere (z. B. chronische Leiden) lebenslang bestehen. Konventionelle Merkle-Baum-Implementierungen, die mit dem Transaktionsvolumen superexponentiell wachsen, können diese Dynamiken nicht effizient bewältigen. Da der Baum expandiert, um alle historischen Daten einzuschließen, werden die Speicherkosten für IoT-Geräte prohibitiv hoch. Darüber hinaus wurden bestehende Techniken zur Speicheroptimierung für traditionelle Blockchains (z. B. das Entfernen veralteter Blöcke) für die Directed Acyclic Graph (DAG)-Struktur des IOTA Tangle noch nicht ausreichend untersucht oder angepasst, insbesondere im Hinblick auf die Abwägung zwischen Speicherreduktion und kryptografischen Sicherheitsgarantien (Integrität, Prävorm-Resistenz, Kollisionsresistenz).

2. Methodik

Die Autoren schlagen eine neuartige Datenstruktur namens Dynamic Balancing Hybrid Merkle Tree (DBHMT) vor, die speziell für das IOTA Tangle entwickelt wurde. Die Methodik umfasst drei Kernkomponenten: strukturelles Design, mathematische Modellierung und Optimierung.

2.1 Strukturelles Design: Der hybride Baum

Der DBHMT ist eine vertikal partitionierte hybride Struktur, die einen $n$ -ären Baum und einen binären Baum kombiniert:

Statische Seite (Rechts): Repräsentiert Patienten mit langfristigen oder lebenslangen Erkrankungen. Diese Seite bleibt statisch und wird nicht geprunt (gepruned), wodurch die langfristige historische Integrität bewahrt wird.
Dynamische Seite (Links): Repräsentiert Patienten mit kurzfristigen oder transienten Erkrankungen. Diese Seite ist hochdynamisch, wobei Blöcke schnell ablaufen.
Pruning-Mechanismus: Um den „wachsenden Schwanz“ auf der dynamischen Seite zu kontrollieren, führen die Autoren einen Pruning-Mechanismus ein. Blöcke auf der linken Seite werden entfernt, sobald sie ablaufen, gesteuert durch einen Pruning-Faktor ( $\alpha$ oder $p$ ). Dies verhindert das superexponentielle Wachstum, das für Standard-Merkle-Bäume in Hochtransaktions-Szenarien im Gesundheitswesen typisch ist.

2.2 Mathematische Modellierung und Sicherheitsanalyse

Das Paper leitet geschlossene analytische Ausdrücke für die strukturellen und sicherheitstechnischen Eigenschaften des DBHMT ab:

Höhe und Speicher: Die effektive Höhe und die Gesamtzahl der Knoten werden als Funktionen der Gesamtknotenanzahl ( $N$ ), der Baumebenen ( $m, n$ ) und des Pruning-Faktors berechnet. Die Speicherkosten werden als Funktion der verbleibenden dynamischen Knoten dargestellt.
Sicherheitsbeschränkungen: Die Autoren analysieren, wie das Pruning die vier kritischen Sicherheitseigenschaften beeinflusst:
1. Integrität: Widerstand gegen die Fälschung von Einschlussnachweisen.
2. Prävorm-Resistenz (Pre-image Resistance): Schwierigkeit, Eingaben aus Hash-Ausgaben zu finden.
3. Zweite Prävorm-Resistenz (Second Pre-image Resistance): Schwierigkeit, alternative Eingaben für einen gegebenen Hash zu finden.
4. Kollisionsresistenz: Schwierigkeit, zwei Eingaben mit demselben Hash zu finden.
  Die Analyse stellt fest, dass Pruning zwar die Angriffsfläche für einige Eigenschaften (z. B. zweite Prävorm-Resistenz) reduziert, aber andere (z. B. Prävorm-Resistenz) je nach Retentionsrate verschlechtern kann.

2.3 Optimierungsalgorithmus

Das Finden des optimalen Pruning-Faktors wird als nicht-konvexes, NP-schweres Multi-Objective-Optimierungsproblem formuliert. Das Ziel ist es, die Speicherkosten zu minimieren und gleichzeitig die Sicherheitsbeschränkungen (z. B. die Aufrechterhaltung eines 128-Bit- oder 256-Bit-Sicherheitslevels) zu erfüllen.

Zielfunktion: Eine zusammengesetzte Funktion, die die Höhenimbalance, die Gesamthöhe, die Speicherkosten und Sicherheitsstrafen abwägt.
Solver: Aufgrund der nicht-konvexen Natur des Problems setzen die Autoren einen Gradientenabstieg-Ansatz mit Adam-Optimierung ein. Diese Methode nutzt Schätzungen der ersten und zweiten Momente, um die Konvergenz zu beschleunigen und lokale Minima zu umgehen, um den optimalen Pruning-Faktor ( $p^*$ ) zu bestimmen, der die Sicherheitsbeschränkungen erfüllt und gleichzeitig den Speicher minimiert.

3. Hauptbeiträge

Das Paper skizziert vier primäre Beiträge:

Neuartige Architektur: Vorschlag des DBHMT, eines hybriden Merkle-Baums, der speziell auf das IOTA Tangle zugeschnitten ist und durch vertikale Partitionierung (statisch vs. dynamisch) die Dynamik von Gesundheitsdaten berücksichtigt.
Dynamisches Pruning-Konzept: Einführung eines dynamischen Balancing-Mechanismus, bei dem der Pruning-Faktor basierend auf dem Anwendungsfall des Baums anpassbar ist, was eine konstante, sublineare oder lineare Speicheroptimierung ermöglicht.
Theoretischer Rahmen: Ableitung geschlossener analytischer Ausdrücke für Baumhöhe, Speicherkosten, Beweiskomplexität und Sicherheitsgrenzen unter Pruning. Dies beinhaltet einen rigorosen, spieltheoretischen Sicherheitsbeweis unter dem Random-Oracle-Modell.
Optimierungslösung: Entwicklung eines iterativen Algorithmus unter Verwendung der Adam-Optimierung, um das NP-schwere Problem der Bestimmung des optimalen Pruning-Faktors zu lösen, wobei das Spannungsfeld zwischen Speichereffizienz und Sicherheit effektiv navigiert wird.

4. Ergebnisse und Evaluierung

Die Autoren implementierten den DBHMT auf der IOTA Tangle-Plattform und führten eine Proof-of-Concept-Evaluierung mit einer Million Transaktionen durch.

Speichereffizienz: Experimentelle Ergebnisse zeigen, dass der DBHMT im Vergleich zu konventionellen Merkle-Bäumen eine vierfache (4x) Reduktion der Speicherkosten erreicht. Diese Effizienzlücke vergrößert sich mit steigender Anzahl der Transaktionen, insbesondere in Szenarien mit hohen Volumina kurzlebiger Daten (z. B. Pandemie- oder Grippewellen).
Sicherheitsvalidierung: Die theoretische Analyse und die spieltheoretischen Beweise bestätigen, dass der DBHMT mit einem optimalen Pruning-Faktor (identifiziert um $p \approx 0,7$ in der Studie) die kryptografische Stärke beibehält. Die Sicherheitseigenschaften (Integrität, Prävorm-, zweite Prävorm- und Kollisionsresistenz) bleiben innerhalb akzeptabler Margen (z. B. vernachlässigbarer adversarieller Vorteil bei $2^{40}$ Abfragen), selbst bei aggressivem Pruning.
Konvergenz: Der Adam-basierte Optimierungsalgorithmus konvergierte erfolgreich zum optimalen Pruning-Faktor, was die Machbarkeit der Lösung des nicht-konvexen Speicher-Sicherheits-Trade-offs in dynamischen Umgebungen demonstriert.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass der DBHMT eine praktische Lösung für den Speicherengpass im IoT-gestützten Healthcare 4.0 bietet, ohne die grundlegenden Sicherheitsgarantien zu gefährden, die für dezentrale Gesundheitsakten erforderlich sind.

Skalierbarkeit: Durch die Ermöglichung einer linearen oder sublinearen Skalierung der Speicherkosten statt einer superexponentiellen, macht der DBHMT das IOTA Tangle für hochvolumige, ressourcenbeschränkte IoT-Healthcare-Anwendungen praktikabel.
Flexibilität: Das Framework ermöglicht einen abstimmbaren Trade-off, bei dem Praktiker einen Pruning-Faktor wählen können, der spezifische regulatorische oder operative Sicherheitsschwellen (z. B. HIPAA-Konformität) erfüllt und gleichzeitig die Speichereffizienz maximiert.
Breitere Wirkung: Die Autoren legen nahe, dass dieser Ansatz nicht nur der Open-Source-IOTA-Community zugutekommen kann, sondern auch traditionellen Blockchain-Netzwerken (Private- und Consortium-Blockchains), die ihre Speicherung für proprietäre Anwendungen optimieren möchten.

Das Paper schließt mit dem Hinweis, dass die vorgeschlagene Lösung zwar den Speicher-Overhead signifikant reduziert, jedoch spezifisch für Szenarien konzipiert ist, in denen Daten eine begrenzte Lebensdauer haben. Es räumt ein, dass für Anwendungen, die eine permanente, unveränderliche historische Aufbewahrung erfordern, solche Pruning-Strategien nicht anwendbar wären. Als zukünftige Arbeit wird die Untersuchung fortgeschrittener Optimierungstechniken (z. B. die Newton-Methode) und die reale Implementierung auf IOTA 2.0-Netzwerken vorgeschlagen.