💻 computer science

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

Cet article propose l'arbre de Merkle hybride à équilibrage dynamique (DBHMT), une structure de données optimisée pour l'Industrie 4.0 de la santé basée sur le Tangle d'IOTA, qui emploie un mécanisme d'élagage dynamique pour parvenir à une réduction par quatre des coûts de stockage tout en maintenant la sécurité pour les environnements IoT à ressources limitées.

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

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Un classeur numérique pour les données de santé

Imaginez un immense classeur numérique partagé, utilisé par les hôpitaux et les médecins pour stocker les dossiers des patients. Dans le futur de la santé (appelé « Santé 4.0 »), ce classeur doit être incroyablement sécurisé pour que personne ne puisse falsifier les dossiers, mais il doit aussi être assez petit pour tenir dans les minuscules ordinateurs intégrés aux dispositifs de santé connectés (comme les montres intelligentes ou les moniteurs cardiaques).

Le problème est que la méthode actuelle d'organisation de ces dossiers (utilisant un « Arbre de Merkle » standard) est comparable à un classeur qui grandit de manière super-exponentielle. Chaque fois qu'un nouveau dossier de patient est ajouté, le classeur ne devient pas seulement un peu plus grand ; il explose en taille. Pour les appareils dotés d'une capacité de stockage limitée, c'est un désastre.

Les auteurs de cet article proposent un nouveau système de classement plus intelligent appelé DBHMT (Dynamic Balancing Hybrid Merkle Tree - Arbre de Merkle Hybride à Équilibrage Dynamique). Ils l'ont testé sur un type spécifique de registre numérique appelé le Tangle d'IOTA (une blockchain conçue pour l'Internet des Objets).

Le problème central : La « queue croissante »

Pour comprendre leur solution, imaginez que les dossiers des patients sont organisés selon une structure d'arbre :

Le côté droit (Statique) : Ce sont les patients ayant des conditions à long terme ou à vie (comme le diabète ou l'insuffisance cardiaque). Leurs dossiers restent dans le classeur pour toujours.
Le côté gauche (Dynamique) : Ce sont les patients ayant des problèmes de courte durée (comme une grippe, une coupure mineure ou une allergie saisonnière). Leurs dossiers ne sont nécessaires que pendant une courte période.

Dans un système standard, le « côté gauche » continue de croître vers l'extérieur, créant une « queue » massive et désordonnée de vieux dossiers expirés dont plus personne n'a besoin. Cela encombre l'espace de stockage.

La solution : Le jardinier de « l'élagage dynamique »

La solution des auteurs consiste à agir comme un jardinier qui sait exactement quelles branches couper.

L'arbre hybride : Ils ont construit un arbre qui est à la fois « n-aire » (plusieurs branches) et « binaire » (deux branches), conçu spécement pour gérer le mélange de patients de longue et de courte durée.
Le mécanisme d'élagage : Ils ont introduit un « facteur d'élagage » (appelons-le $\alpha$ ). C'est une règle qui dit : « Si le dossier d'un patient est expiré (comme un rhume qui a guéri), coupez cette branche de l'arbre. »
L'équilibre : La partie délicate est que si vous coupez trop, vous perdez en sécurité (vous ne pouvez plus prouver que le dossier existait). Si vous coupez trop peu, vous manquez d'espace de stockage.

La recherche du « Juste Milieu » (L'optimisation)

Trouver la quantité parfaite à couper est un casse-tête mathématique extrêmement difficile (NP-difficile). C'est comme essayer de trouver la température idéale pour une douche où vous voulez qu'elle soit assez chaude pour être confortable, mais pas trop chaude pour ne pas vous brûler, alors que la pression de l'eau change constamment.

L'algorithme : Les auteurs ont utilisé un outil mathématique intelligent appelé Optimisation Adam (un type de descente de gradient). Considérez cela comme un robot jardinier qui essaie différents angles de coupe, vérifie les résultats et ajuste lentement ses cisailles jusqu'à ce qu'il trouve la coupe parfaite.
Le résultat : Ils ont découvert qu'élaguer environ 30 % des branches dynamiques (en laissant un facteur d'élagage de 0,7) était le point d'équilibre idéal.

Les résultats : Une amélioration de 4 fois

Lorsqu'ils ont testé ce système avec un million de transactions (simulant une énorme quantité de données de santé) :

Ancien système : Le coût de stockage augmentait de manière incontrôlée, comme un ballon qui gonfle sans limite.
Nouveau système (DBHMT) : Le coût de stockage est resté gérable.
La victoire : Le nouveau système a utilisé quatre fois moins d'espace de stockage que la méthode traditionnelle.

Sécurité : A-t-on trop coupé ?

Les auteurs ont été très prudents pour s'assurer que la coupe de ces branches ne brisait pas la sécurité. Ils ont prouvé mathématiquement que même avec l'élagage :

Intégrité : On peut toujours prouver qu'un dossier appartient à l'arbre.
Résistance aux attaques : Il est toujours informatiquement impossible pour un pirate de falsifier un dossier ou de trouver deux dossiers différents qui se ressemblent (collision).

Ils ont créé une « carte de sécurité » (front de Pareto) montrant exactement l'espace de stockage économisé par rapport à la sécurité potentiellement perdue, garantissant que le système reste dans les limites de sécurité (comme les niveaux de sécurité de 128 bits ou 256 bits).

Contexte réel (tel qu'énoncé dans l'article)

L'article mentionne spécifiquement que ceci est conçu pour la Santé 4.0 assistée par l'IoT.

Les dispositibles : Bracelets de fitness connectés, thermomètres numériques et oxymètres de pouls.
Le cas d'utilisation : La gestion des Dossiers Médicaux Électroniques (DME) pour les patients chroniques (long terme) et non chroniques (court terme).
La plateforme : C'est construit pour fonctionner sur le Tangle d'IOTA, un réseau décentralisé qui ne facture pas de frais pour les transactions, ce qui est idéal pour les données de santé non monétaires.

Résumé

L'article présente une nouvelle façon d'organiser les dossiers de santé numériques qui agit comme un classeur intelligent et auto-nettoyant. En « élaguant » automatiquement (supprimant) les dossiers de courte durée tout en conservant ceux de longue durée, et en utilisant un algorithme intelligent pour trouver l'équilibre parfait, ils ont créé un système qui est 4 fois plus efficace pour stocker des données sans compromettre la sécurité nécessaire pour protéger la vie privée des patients.

Résumé Technique : DBHMT – Arbre de Merkle Hybride à Équilibrage Dynamique pour l'IoT dans la Santé 4.0

1. Énoncé du Problème

L'émergence de la technologie de sixième génération (6G) et l'évolution de la Santé 4.0 ont intensifié la demande pour une gestion sécurisée, transparente et efficace des dossiers de santé électroniques (DSE) au sein d'environnements de l'Internet des Objets (IoT) aux ressources contraintes. Bien que les architectures décentralisées comme le Tangle d'IOTA offrent la sécurité et la transparence nécessaires, elles font face à des défis importants concernant l'efficacité du stockage.

Dans les scénarios traditionnels de la Santé 4.0, les données des patients présentent des caractéristiques dynamiques : certains dossiers (par exemple, maladies ou blessures de courte durée) ont une durée de vie courte, tandis que d'autres (par exemple, maladies chroniques) sont permanentes. Les implémentations conventionnelles d'arbres de Merkle, qui croissent de manière super-exponentielle avec le volume de transactions, ne parviennent pas à accommoder ces dynamiques efficacement. À mesure que l'arbre s'étend pour inclure toutes les données historiques, les coûts de stockage deviennent prohibitifs pour les dispositifs IoT. De plus, les techniques existantes d'optimisation du stockage pour les blockchains traditionnelles (par exemple, la suppression de blocs obsolètes) n'ont pas été suffisamment explorées ou adaptées à la structure en graphe acyclique dirigé (DAG) du Tangle d'IOTA, particulièrement lorsqu'il s'agit de l'équilibre entre la réduction du stockage et les garanties de sécurité cryptographique (intégrité, résistance à la pré-image, résistance aux collisions).

2. Méthodologie

Les auteurs proposent une nouvelle structure de données appelée Arbre de Merkle Hybride à Équilibrage Dynamique (DBHMT), conçue spécifiquement pour le Tangle d'IOTA. La méthodologie comprend trois composantes clés : la conception structurelle, la modélisation mathématique et l'optimisation.

2.1 Conception Structurelle : L'Arbre Hybride

Le DBHMT est une structure hybride partitionnée verticalement combinant un arbre $n$ -aire et un arbre binaire :

Côté Statique (Droite) : Représente les patients ayant des conditions à long terme ou permanentes. Ce côté reste statique et n'est pas élagué, préservant l'intégrité historique à long terme.
Côté Dynamique (Gauche) : Représente les patients ayant des conditions à court terme ou transitoires. Ce côté est hautement dynamique, où les blocs expirent rapidement.
Mécanisme d'Élagage : Pour contrôler la « croissance de la queue » sur le côté dynamique, les auteurs introduisent un mécanisme d'élagage. Les blocs sur le côté gauche sont supprimés une fois qu'ils expirent, contrôlés par un facteur d'élagage ( $\alpha$ ou $p$ ). Cela empêche la croissance super-exponentielle typique des arbres de Merkle standards dans les scénarios de santé à haute transaction.

2.2 Modélisation Mathématique et Analyse de Sécurité

Le document dérive des expressions analytiques de forme fermée pour les propriétés structurelles et de sécurité du DBHMT :

Hauteur et Stockage : La hauteur effective et le nombre total de nœuds sont calculés en fonction du nombre total de nœuds ( $N$ ), des niveaux de l'arbre ( $m, n$ ) et du facteur d'élagage. Le coût de stockage est montré comme étant une fonction des nœuds dynamiques conservés.
Contraintes de Sécurité : Les auteurs analysent comment l'élagage impacte quatre propriétés de sécurité critiques :
1. Intégrité : Résistance à la falsification des preuves d'inclusion.
2. Résistance à la pré-image : Difficulté à trouver des entrées à partir de sorties de hachage.
3. Résistance à la seconde pré-image : Difficulté à trouver des entrées alternatives pour un hachage donné.
4. Résistance aux collisions : Difficulté à trouver deux entrées ayant le même hachage.
  L'analyse établit que si l'élagage réduit la surface d'attaque pour certaines propriétés (ex: seconde pré-image), il peut dégrader d'autres propriétés (ex: résistance à la pré-image) selon le ratio de rétention.

2.3 Algorithme d'Optimisation

La recherche du facteur d'élagage optimal est formulée comme un problème d'optimisation multi-objectif, non convexe et NP-difficile. L'objectif est de minimiser le coût de stockage tout en satisfaisant les contraintes de sécurité (par exemple, maintenir un niveau de sécurité de 128 bits ou 256 bits).

Fonction Objectif : Une fonction composite équilibrant le déséquilibre de hauteur, la hauteur totale, le coût de stockage et les pénalités de sécurité.
Solveur : En raison de la nature non convexe du problème, les auteurs emploient une approche de Descente de Gradient avec l'optimiseur Adam. Cette méthode utilise les estimations des premier et second moments pour accélérer la convergence et échapper aux minima locaux, déterminant ainsi le facteur d'élagage optimal ( $p^*$ ) qui satisfait les contraintes de sécurité tout en minimisant le stockage.

3. Principales Contributions

Le document présente quatre contributions majeures :

Architecture Novatrice : Proposition du DBHMT, un arbre de Merkle hybride adapté au Tangle d'IOTA qui accommode la nature dynamique des données de santé grâce à un partitionnement vertical (statique vs dynamique).
Concept d'Élagage Dynamique : Introduction d'un mécanisme d'équilibrage dynamique où le facteur d'élagage est ajustable selon le cas d'utilisation de l'arbre, permettant une optimisation du stockage constante, sous-linéaire ou linéaire.
Cadre Théorique : Dérivation d'expressions analytiques en boucle fermée pour la hauteur de l'arbre, le coût de stockage, la complexité des preuves et les limites de sécurité sous élagage. Cela inclut une preuve de sécurité rigoureuse basée sur les jeux sous le modèle de l'oracle aléatoire.
Solution d'Optimisation : Développement d'un algorithme itératif utilisant l'optimisation Adam pour résoudre le problème NP-difficile de la recherche du facteur d'élagage optimal, naviguant efficacement dans le compromis entre efficacité de stockage et sécurité.

4. Résultats et Évaluation

Les auteurs ont implémenté le DBHMT sur la plateforme IOTA et ont mené une évaluation de preuve de concept impliquant un million de transactions.

Efficacité du Stockage : Les résultats expérimentaux démontrent que le DBHMT atteint une réduction de quatre fois (4x) du coût de stockage par rapport aux arbres de Merkle conventionnels. Cet écart d'efficacité s'élargit à mesure que le nombre de transactions augmente, particulièrement dans les scénarios avec des volumes élevés de données à courte durée de vie (ex: périodes de pandémie ou de grippe).
Validation de la Sécurité : L'analyse théorique et les preuves basées sur les jeux confirment qu'avec un facteur d'élagage optimal (identifié autour de $p \approx 0,7$ dans l'étude), le DBHMT maintient sa force cryptographique. Les propriétés de sécurité (intégrité, pré-image, seconde pré-image et résistance aux collisions) restent dans des marges acceptables (ex: avantage adversaire négligeable pour $2^{40}$ requêtes) même avec un élagage agressif.
Convergence : L'algorithme d'optimisation basé sur Adam a convergé avec succès vers le facteur d'élagage optimal, démontant la faisabilité de la résolution du compromis non convexe stockage-sécurité dans des environnements dynamiques.

5. Signification et Revendications

Le document affirme que le DBHMT fournit une solution pratique au goulot d'étranglement du stockage pour l'IoT dans la Santé 4.0 sans compromettre les garanties de sécurité fondamentales requises pour les dossiers de santé décentralisés.

Scalabilité : En permettant aux coûts de stockage de croître de manière linéaire ou sous-linéaire plutôt que super-exponentielle, le DBHMT rend le Tangle d'IOTA viable pour des applications de santé IoT à haut volume et aux ressources limitées.
Flexibilité : Le cadre permet un compromis ajustable, où les praticiens peuvent sélectionner un facteur d'élagage répondant à des seuils de sécurité réglementaires ou opérationnels spécifiques (ex: conformité HIPAA) tout en maximisant l'efficacité du stockage.
Impact Global : Les auteurs suggèrent que cette approche pourrait bénéficier non seulement à la communauté open-source d'IOTA, mais aussi aux réseaux blockchain traditionnels (privés et de consortium) cherchant à optimiser le stockage pour des applications propriétaires.

Le document conclut que, bien que la solution proposée réduise considérablement la surcharge de stockage, elle est spécifiquement conçue pour les scénarios où les données ont une durée de vie finie. Il reconnaît que pour les applications exigeant une rétention historique permanente et inaltérable, de telles stratégies d'élagage ne seraient pas applicables. Des travaux futurs sont proposés pour explorer des techniques d'optimisation avancées (ex: méthode de Newton) et un déploiement réel sur les réseaux IOTA 2.0.