💻 computer science

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

Este artículo propone el Árbol de Merkle Híbrido de Equilibrio Dinámico (DBHMT, por sus siglas en inglés), una estructura de datos optimizada para la Salud 4.0 basada en el Tangle de IOTA que emplea un mecanismo de poda dinámica para lograr una reducción de cuatro veces en los costos de almacenamiento manteniendo la seguridad para entornos de IoT con recursos limitados.

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

Publicado 2026-07-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

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

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La visión general: Un archivador digital para datos de salud

Imagine un enorme archivador digital compartido utilizado por hospitales y médicos para almacenar expedientes de pacientes. En el futuro de la atención médica (llamado "Healthcare 4.0"), este archivador debe ser increíblemente seguro para que nadie pueda manipular los registros, pero también debe ser lo suficientemente pequeño como para caber en las diminutas computadoras dentro de los dispositivos de salud portátiles (como relojes inteligentes o monitores cardíacos).

El problema es que la forma actual de organizar estos registros (usando un "Árbol de Merkle" estándar) es como un archivador que crece de forma super-exponencial. Cada vez que se añade un nuevo registro de paciente, el archivador no solo crece un poco; explota en tamaño. Para los dispositivos con almacenamiento limitado, esto es un desastre.

Los autores de este artículo proponen un nuevo y más inteligente sistema de archivo llamado DBHMT (Dynamic Balancing Hybrid Merkle Tree - Árbol de Merkle Híbrido de Equilibrio Dinámico). Lo probaron en un tipo específico de libro de contabilidad digital llamado IOTA Tangle (un blockchain diseñado para el Internet de las Cosas).

El problema central: La "cola creciente"

Para entender su solución, imagine que los registros de los pacientes están dispuestos en una estructura de árbol:

El lado derecho (Estático): Estos son pacientes con condiciones de largo plazo o de por vida (como diabetes o insuficiencia cardíaca). Sus registros permanecen en el archivador para siempre.
El lado izquierdo (Dinámico): Estos son pacientes con problemas de corto plazo (como la gripe, un corte menor o una alergia estacional). Sus registros solo se necesitan por un tiempo breve.

En un sistema estándar, el "Lado Izquierdo" sigue creciendo hacia afuera, creando una enorme y desordenada "cola" de registros viejos y caducados que ya nadie necesita. Esto obstruye el espacio de almacenamiento.

La solución: El jardinero de "Poda Dinámica"

La solución de los autores es actuar como un jardinero que sabe exactamente qué ramas cortar.

El Árbol Híbrido: Construyeron un árbol que es parte "n-aria" (muchas ramas) y parte "binaria" (dos ramas), diseñado específicamente para manejar la mezcla de pacientes de largo y corto plazo.
El Mecanismo de Poda: Introdujeron un "factor de poda" (llamémoslo $\alpha$ ). Esta es una regla que dice: "Si el registro de un paciente ha expirado (como un resfriado que ya sanó), corta esa rama del árbol".
El Equilibrio: La parte difícil es que si cortas demasiado, pierdes seguridad (no puedes probar que el registro existió). Si cortas muy poco, te quedas sin espacio de almacenamiento.

La "Búsqueda de Goldilocks" (La Optimización)

Encontrar la cantidad perfecta para cortar es un rompecabezas matemático que es increíblemente difícil (NP-hard). Es como intentar encontrar la temperatura perfecta para una ducha donde quieres que esté lo suficientemente caliente para estar cómodo, pero no tanto como para quemarte, todo esto mientras la presión del agua cambia constantemente.

El Algoritmo: Los autores utilizaron una herramienta matemática inteligente llamada Optimización Adam (un tipo de descenso de gradiente). Piense en esto como un robot jardinero que prueba diferentes ángulos de corte, revisa los resultados y ajusta lentamente sus tijeras hasta que encuentra el corte perfecto.
El Resultado: Encontraron que cortar aproximadamente el 30% de las ramas dinámicas (dejando un factor de poda de 0.7) era el punto ideal.

Los Resultados: Una mejora de 4 veces

Cuando probaron este sistema con un millón de transacciones (simulando una gran cantidad de datos de salud):

Sistema antiguo: El costo de almacenamiento crecía salvajemente, como un globo inflándose incontroladamente.
Nuevo sistema (DBHMT): El costo de almacenamiento se mantuvo manejable.
La victoria: El nuevo sistema utilizó cuatro veces menos espacio de almacenamiento que el método tradicional.

Seguridad: ¿Cortamos demasiado?

Los autores fueron muy cuidadosos para asegurar que el corte de estas ramas no rompiera la seguridad. Demostraron matemáticamente que, incluso con la poda:

Integridad: Todavía se puede probar que un registro pertenece al árbol.
Resistencia a ataques: Sigue siendo computacionalmente imposible para un hacker falsificar un registro o encontrar dos registros diferentes que parezcan iguales (colisión).

Crearon un "mapa de seguridad" (frente de Pareto) que muestra exactamente cuánto almacenamiento se ahorra frente a cuánta seguridad se podría perder, asegurando que el sistema se mantenga dentro de los límites seguros (como niveles de seguridad de 128 bits o 256 bits).

Contexto del Mundo Real (Según el artículo)

El artículo menciona específicamente que esto está diseñado para el Healthcare 4.0 habilitado por IoT.

Los Dispositivos: Rastreadores de actividad física portátiles, termómetros digitales y oxímetros de pulso.
El Caso de Uso: Gestión de Registros Médicos Electrónicos (EHRs) tanto para pacientes crónicos (largo plazo) como no crónicos (corto plazo).
La Plataforma: Está construido para funcionar en el IOTA Tangle, una red descentralizada que no cobra comisiones por transacciones, lo que la hace ideal para datos de salud no monetarios.

Resumen

El artículo presenta una nueva forma de organizar los registros de salud digitales que actúa como un archivador inteligente y de autolimpieza. Al "podar" (eliminar) automáticamente los registros de corto plazo mientras mantiene los de largo plazo, y utilizando un algoritmo inteligente para encontrar el equilibrio perfecto, crearon un sistema que es 4 veces más eficiente en el almacenamiento de datos sin comprometer la seguridad necesaria para proteger la privacidad del paciente.

Resumen Técnico: DBHMT – Árbol de Merkle Híbrido de Balanceo Dinámico para el IoT en la Salud 4.0

1. Planteamiento del Problema

La emergencia de la tecnología de sexta generación (6G) y la evolución de la Salud 4.0 han intensificado la demanda de una gestión segura, transparente y eficiente de los Registros Electrónicos de Salud (EHR, por sus siglas en inglés) dentro de entornos de Internet de las Cosas (IoT) con recursos limitados. Si bien las arquitecturas descentralizadas como el Tangle de IOTA ofrecen la seguridad y transparencia necesarias, enfrentan desafíos significativos en cuanto a la eficiencia de almacenamiento.

En los escenarios tradicionales de la Salud 4.0, los datos de los pacientes exhiben características dinámicas: algunos registros (por ejemplo, enfermedades o lesiones a corto plazo) tienen vidas cortas, mientras que otros (por ejemplo, condiciones crónicas) son de por vida. Las implementaciones convencionales de árboles de Merkle, que crecen de forma superexponencial con el volumen de transacciones, no logran adaptarse a estas dinámicas de manera eficiente. A medida que el árbol se expande para incluir todos los datos históricos, los costos de almacenamiento se vuelven prohibitivos para los dispositivos IoT. Además, las técnicas de optimización de almacenamiento existentes para las blockchains tradicionales (por ejemplo, la eliminación de bloques obsoletos) no han sido exploradas o adaptadas adecuadamente para la estructura de Grafo Acíclico Dirigido (DAG) del Tangle de IOTA, particularmente cuando se busca equilibrar la compensación entre la reducción de almacenamiento y las garantías de seguridad criptográfica (integridad, resistencia a la preimagen, resistencia a la colisión).

2. Metodología

Los autores proponen una nueva estructura de datos llamada Árbol de Merkle Híbrido de Balanceo Dinámico (DBHMT), diseñado específicamente para el Tangle de IOTA. La metodología involucra tres componentes principales: diseño estructural, modelado matemático y optimización.

2.1 Diseño Estructural: El Árbol Híbrido

El DBHMT es una estructura híbrida particionada verticalmente que combina un árbol $n$ -ario y un árbol binario:

Lado Estático (Derecha): Representa a pacientes con condiciones a largo plazo o de por vida. Este lado permanece estático y no es podado, preservando la integridad histórica a largo plazo.
Lado Dinámico (Izquierda): Representa a pacientes con condiciones a corto plazo o transitorias. Este lado es altamente dinámico, donde los bloques expiran rápidamente.
Mecanismo de Poda: Para controlar la "cola creciente" en el lado dinámico, los autores introducen un mecanismo de poda. Los bloques en el lado izquierdo se eliminan una vez que expiran, controlados por un factor de poda ( $\alpha$ o $p$ ). Esto evita el crecimiento superexponencial típico de los árboles de Merkle estándar en escenarios de salud con alto volumen de transacciones.

2.2 Modelado Matemático y Análisis de Seguridad

El artículo deriva expresiones analíticas de forma cerrada para las propiedades estructurales y de seguridad del DBHMT:

Altura y Almacenamiento: La altura efectiva y el recuento total de nodos se calculan como funciones del número total de nodos ( $N$ ), los niveles del árbol ( $m, n$ ) y el factor de poda. Se demuestra que el costo de almacenamiento es una función de los nodos dinámicos retenidos.
Restricciones de Seguridad: Los autores analizan cómo la poda impacta cuatro propiedades de seguridad críticas:
1. Integridad: Resistencia a la falsificación de pruebas de inclusión.
2. Resistencia a la Preimagen: Dificultad para encontrar entradas a partir de salidas de hash.
3. Resistencia a la Segunda Preimagen: Dificultad para encontrar entradas alternativas para un hash dado.
4. Resistencia a la Colisión: Dificultad para encontrar dos entradas con el mismo hash.
  El análisis establece que, si bien la poda reduce la superficie de ataque para algunas propiedades (por ejemplo, la segunda preimagen), puede degradar otras (por ejemplo, la resistencia a la preimagen) dependiendo de la razón de retención.

2.3 Algoritmo de Optimización

La búsqueda del factor de poda óptimo se formula como un problema de optimización multiobjetivo, no convexo y NP-duro. El objetivo es minimizar el costo de almacenamiento mientras se satisfacen las restricciones de seguridad (por ejemplo, mantener un nivel de seguridad de 128 o 256 bits).

Función Objetivo: Una función compuesta que equilibra el desequilibrio de altura, la altura total, el costo de almacenamiento y las penalizaciones de seguridad.
Solucionador: Debido a la naturaleza no convexa del problema, los autores emplean un enfoque de Descenso de Gradiente con optimización Adam. Este método utiliza estimaciones de los momentos de primer y segundo orden para acelerar la convergencia y escapar de los mínimos locales, determinando el factor de poda óptimo ( $p^*$ ) que satisface las restricciones de seguridad mientras minimiza el almacenamiento.

3. Contribuciones Clave

El artículo describe cuatro contribuciones principales:

Arquitectura Novel: Propuesta del DBHMT, un árbol de Merkle híbrido adaptado para el Tangle de IOTA que acomoda la naturaleza dinámica de los datos de salud mediante la partición vertical (estática vs. dinámica).
Concepto de Poda Dinámica: Introducción de un mecanismo de balanceo dinámico donde el factor de poda es ajustable según el caso de uso del árbol, permitiendo una optimización de almacenamiento constante, sublineal o lineal.
Marco Teórico: Derivación de expresiones analíticas de bucle cerrado para la altura del árbol, el costo de almacenamiento, la complejidad de la prueba y los límites de seguridad bajo la poda. Esto incluye una rigurosa prueba de seguridad basada en juegos bajo el modelo de oráculo aleatorio.
Solución de Optimización: Desarrollo de un algoritmo iterativo utilizando la optimización Adam para resolver el problema NP-duro de encontrar el factor de poda óptimo, navegando eficazmente la compensación entre la eficiencia de almacenamiento y la seguridad.

4. Resultados y Evaluación

Los autores implementaron el DBHMT en la plataforma IOTA y realizaron una evaluación de prueba de concepto que involucró un millón de transacciones.

Eficiencia de Almacenamiento: Los resultados experimentales demuestran que el DBHMT logra una reducción de cuatro veces (4x) en el costo de almacenamiento en comparación con los árboles de Merkle convencionales. Esta brecha de eficiencia se amplía a medida que aumenta el número de transacciones, particularmente en escenarios con altos volúmenes de datos de vida corta (por ejemplo, temporadas de pandemias o de gripe).
Validación de Seguridad: El análisis teórico y las pruebas basadas en juegos confirman que, con un factor de poda óptimo (identificado alrededor de $p \approx 0.7$ en el estudio), el DBHMT mantiene su fuerza criptográfica. Las propiedades de seguridad (integridad, preimagen, segunda preimagen y resistencia a la colisión) permanecen dentro de márgenes aceptables (por ejemplo, ventaja adversaria negligible para $2^{40}$ consultas) incluso con una poda agresiva.
Convergencia: El algoritmo de optimización basado en Adam convergió con éxito al factor de poda óptimo, demostrando la viabilidad de resolver la compensación no convexa entre almacenamiento y seguridad en entornos dinámicos.

5. Significación y Reivindicaciones

El artículo afirma que el DBHMT proporciona una solución práctica para el cuello de botella de almacenamiento en el IoT habilitado para la Salud 4.0 sin comprometer las garantías de seguridad fundamentales requeridas para los registros de salud descentralizados.

Escalabilidad: Al permitir que los costos de almacenamiento escalen de forma lineal o sublineal en lugar de superexponencial, el DBHMT hace que el Tangle de IOTA sea viable para aplicaciones de salud de IoT de alto volumen y recursos restringidos.
Flexibilidad: El marco permite una compensación ajustable, donde los profesionales pueden seleccionar un factor de poda que cumpla con los umbrales de seguridad regulatorios u operativos específicos (por ejemplo, el cumplimiento de HIPAA) mientras maximizan la eficiencia del almacenamiento.
Impacto Más Amplio: Los autores sugieren que este enfoque podría beneficiar no solo a la comunidad de código abierto de IOTA, sino también a las redes de blockchain tradicionales (privadas y de consorcio) que buscan optimizar el almacenamiento para aplicaciones propietarias.

El artículo concluye que, si bien la solución propuesta reduce significamente la sobrecarga de almacenamiento, está diseñada específicamente para escenarios donde los datos tienen una vida útil finita. Reconoce que para aplicaciones que requieren la retención histórica permanente e inalterable, tales estrategias de poda no serían aplicables. Se propone trabajo futuro para explorar técnicas de optimización avanzadas (por ejemplo, el método de Newton) y el despliegue en el mundo real en redes IOTA 2.0.