💻 computer science

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

Questo articolo propone il Dynamic Balancing Hybrid Merkle Tree (DBHMT), una struttura dati ottimizzata per l'Healthcare 4.0 basata su IOTA Tangle, che impiega un meccanismo di pruning dinamico per ottenere una riduzione dei costi di archiviazione di quattro volte pur mantenendo la sicurezza per gli ambienti IoT con risorse limitate.

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

Pubblicato 2026-07-07

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Quadro Generale: Un Archivio Digitale per i Dati Sanitari

Immaginate un enorme archivio digitale condiviso utilizzato da ospedali e medici per conservare le cartelle cliniche dei pazienti. Nel futuro dell'assistenza sanitaria (chiamato "Healthcare 4.0"), questo archivio deve essere incredibilmente sicuro affinché nessuno possa manomettere i record, ma deve anche essere abbastanza piccolo da adattarsi ai minuscoli computer presenti all'interno dei dispositivi sanitari indossabili (come smartwatch o monitor cardiaci).

Il problema è che il modo attuale di organizzare questi record (utilizzando un "Albero di Merkle" standard) è come un archivio che cresce in modo super-esponenziale. Ogni volta che viene aggiunto un nuovo record del paziente, l'archivio non diventa solo un po' più grande; esplode in dimensioni. Per i dispositivi con memoria limitata, questo è un disastro.

Gli autori di questo articolo propongono un nuovo sistema di archiviazione più intelligente chiamato DBHMT (Dynamic Balancing Hybrid Merkle Tree). Lo hanno testato su un tipo specifico di registro digitale chiamato IOTA Tangle (una blockchain progettata per l'Internet delle Cose).

Il Problema Centrale: La "Coda Crescente"

Per capire la loro soluzione, immaginate che i record dei pazienti siano disposti in una struttura ad albero:

Il Lato Destro (Statico): Questi sono i pazienti con condizioni a lungo termine o croniche (come il diabete o l'insufficienza cardiaca). I loro record rimangono nell'archivio per sempre.
Il Lato Sinistro (Dinamico): Questi sono i pazienti con problemi a breve termine (come l'influenza, un piccolo taglio o un'allergia stagionale). I loro record sono necessari solo per un breve periodo.

In un sistema standard, il "Lato Sinistro" continua a crescere verso l'esterno, creando una massa enorme e disordinata di vecchi record scaduti che non servono più a nessuno. Questo intasa lo spazio di archiviazione.

La Soluzione: Il Giardiniere del "Pruning Dinamico"

La soluzione proposta dagli autori è quella di agire come un giardiniere che sa esattamente quali rami tagliare.

L'Albero Ibrido: Hanno costruito un albero che è in parte "n-aria" (molti rami) e in parte "binaria" (due rami), progettato specificamente per gestire il mix di pazienti a lungo e breve termine.
Il Meccanismo di Pruning (Potatura): Hanno introdotto un "fattore di pruning" (chiamiamolo $\alpha$ ). Questa è una regola che dice: "Se il record di un paziente è scaduto (come un raffreddore guarito), taglia quel ramo dell'albero".
L'Equilibrio: La parte difficile è che se tagli troppo, perdi sicurezza (non puoi più provare che il record esistesse). Se tagli troppo poco, esaurisci lo spazio di archiviazione.

La Ricerca del "Goldilocks" (L'Ottimizzazione)

Trovare la quantità perfetta da tagliare è un puzzle matematico incredibilmente difficile (NP-hard). È come cercare la temperatura perfetta per una doccia dove vuoi che sia abbastanza calda da essere confortevole ma non così calda da scottarti, mentre la pressione dell'acqua continua a cambiare.

L'Algoritmo: Gli autori hanno utilizzato uno strumento matematico intelligente chiamato Adam Optimization (un tipo di discesa del gradiente). Pensate a questo come a un robot giardiniere che prova diverse angolazioni di taglio, controlla i risultati e regola lentamente le sue cesoie finché non trova il taglio perfetto.
Il Risultato: Hanno scoperto che tagliare circa il 30% dei rami dinamici (lasciando un fattore di pruning di 0,7) era il punto di equilibrio ideale.

I Risultati: Un Miglioramento di 4 Volte

Quando hanno testato questo sistema con un milione di transazioni (simulando una enorme quantità di dati sanitari):

Vecchio Sistema: Il costo di archiviazione cresceva selvaggiamente, come un palloncino che si gonfia in modo incontrollato.
Nuovo Sistema (DBHMT): Il costo di archiviazione rimaneva gestibile.
La Vittoria: Il nuovo sistema ha utilizzato quattro volte meno spazio di archiviazione rispetto al metodo tradizionale.

Sicurezza: Abbiamo Tagliato Troppo?

Gli autori sono stati molto cauti nel garantire che il taglio di questi rami non compromettesse la sicurezza. Hanno dimostrato matematicamente che, nonostante il pruning:

Integrità: È ancora possibile provare che un record appartenga all'albero.
Resistenza agli Attacchi: È ancora computazionalmente impossibile per un hacker falsificare un record o trovare due record diversi che sembrano uguali (collisione).

Hanno creato una "mappa di sicurezza" (fronte di Pareto) che mostra esattamente quanto spazio di archiviazione si risparmia rispetto a quanta sicurezza si potrebbe perdere, assicurando che il sistema rimanga entro i limiti di sicurezza (come i livelli di sicurezza a 128-bit o 256-bit).

Contesto nel Mondo Reale (Come Dichiarato nel Paper)

L'articolo menziona specificamente che questo è progettato per l'IoT-enabled Healthcare 4.0.

I Dispositivi: Tracker di fitness indossabili, termometri digitali e pulsossimetri.
Il Caso d'Uso: Gestione delle Cartelle Cliniche Elettroniche (EHR) sia per pazienti cronici (lungo termine) che non cronici (breve termine).
La Piattaforma: È costruito per funzionare sulla IOTA Tangle, una rete decentralizzata che non applica commissioni per le transazioni, rendendola ideale per i dati sanitari non monetari.

Riassunto

Il paper presenta un nuovo modo di organizzare le cartelle cliniche digitali che agisce come un archivio intelligente e autopulente. Automatizzando la "potatura" (cancellazione) dei record a breve termine pur mantenendo quelli a lungo termine, e utilizzando un algoritmo intelligente per trovare il perfetto equilibrio, hanno creato un sistema che è 4 volte più efficiente nello storage dei dati senza compromettere la sicurezza necessaria per proteggere la privacy dei pazienti.

Sintesi Tecnica: DBHMT – Dynamic Balancing Hybrid Merkle Tree per l'IoT nell'Healthcare 4.0

1. Definizione del Problema

L'emergere della tecnologia sesta generazione (6G) e l'evoluzione dell'Healthcare 4.0 hanno intensificato la domanda di una gestione sicura, trasparente ed efficiente delle cartelle clinhe elettroniche (EHR) all'interno di ambienti IoT con risorse limitate. Sebbene le architetture decentralizzate come l'IOTA Tangle offrano la necessaria sicurezza e trasparenza, esse affrontano sfide significative per quanto riguarda l'efficienza dello storage.

Negli scenari tradizionali di Healthcare 4.0, i dati dei pazienti esibiscono caratteristiche dinamiche: alcuni record (ad esempio, malattie a breve termine, infortuni) hanno una durata limitata, mentre altri (ad esempio, condizioni croniche) sono vitalizi. Le implementazioni convenzionali degli alberi di Merkle, che crescono in modo super-esponenziale con il volume delle transazioni, non riescono ad adattarsi efficacemente a queste dinamiche. Man mano che l'albero si espande per includere tutti i dati storici, i costi di archiviazione diventano proibitivi per i dispositivi IoT. Inoltre, le tecniche di ottimizzazione dello storage esistenti per le blockchain tradizionali (ad esempio, la rimozione di blocchi obsoleti) non sono state adeguatamente esplorate o adattate alla struttura a grafo diretto aciclico (DAG) dell'IOTA Tangle, in particolare quando si cerca di bilanciare il compromesso tra riduzione dello storage e garanzie di sicurezza crittografica (integrità, resistenza alla pre-immagine, resistenza alle collisioni).

2. Metodologia

Gli autori propongono una nuova struttura dati chiamata Dynamic Balancing Hybrid Merkle Tree (DBHMT), progettata specificamente per l'IOTA Tangle. La metodologia prevede tre componenti principali: progettazione strutturale, modellazione matematica e ottimizzazione.

2.1 Progettazione Strutturale: L'Albero Ibrido

Il DBHMT è una struttura ibrida partizionata verticalmente che combina un albero $n$ -ario e un albero binario:

Lato Statico (Destra): Rappresenta i pazienti con condizioni a lungo termine o vitalizie. Questo lato rimane statico e non viene sottoposto a pruning, preservando l'integrità storica a lungo termine.
Lato Dinamico (Sinistra): Rappresenta i pazienti con condizioni a breve termine o transitorie. Questo lato è altamente dinamico, dove i blocchi scadono rapidamente.
Meccanismo di Pruning: Per controllare la "coda crescente" sul lato dinamico, gli autori introducono un meccanismo di pruning. I blocchi sul lato sinistro vengono rimossi una volta scaduti, controllati da un fattore di pruning ( $\alpha$ o $p$ ). Ciò evita la crescita super-esponenziale tipica degli standard degli alberi di Merkle in scenari sanitari ad alta intensità di transazioni.

2.2 Modellazione Matematica e Analisi della Sicurezza

Il documento deriva espressioni analitiche in forma chiusa per le proprietà strutturali e di sicurezza del DBHMT:

Altezza e Storage: L'altezza effettiva e il numero totale di nodi sono calcolati come funzioni del numero totale di nodi ( $N$ ), dei livelli dell'albero ( $m, n$ ) e del fattore di pruning. Il costo di archiviazione è mostrato essere una funzione dei nodi dinamici conservati.
Vincoli di Sicurezza: Gli autori analizzano come il pruning influenzi quattro proprietà critiche di sicurezza:
1. Integrità: Resistenza alla falsificazione delle prove di inclusione.
2. Resistenza alla Pre-immagine: Difficoltà nel trovare input partendo dagli output di hash.
3. Resistenza alla Seconda Pre-immagine: Difficoltà nel trovare input alternativi per un dato hash.
4. Resistenza alle Collisioni: Difficoltà nel trovare due input con lo stesso hash.
  L'analisi stabilisce che, sebbene il pruning riduca la superficie di attacco per alcune proprietà (ad esempio, la seconda pre-immagine), può degradare altre (ad esempio, la resistenza alla pre-immagine) a seconda del rapporto di ritenzione.

2.3 Algoritmo di Ottimizzazione

La ricerca del fattore di pruning ottimale è formulata come un problema di ottimizzazione multi-obiettivo, non convesso e NP-hard. L'obiettivo è minimizzare il costo di storage soddisfacendo al contempo i vincoli di sicurezza (ad esempio, mantenendo un livello di sicurezza di 128 o 256 bit).

Funzione Obiettivo: Una funzione composita che bilancia lo squilibrio dell'altezza, l'altezza totale, il costo di storage e le penalità di sicurezza.
Solver: Data la natura non convessa del problema, gli autori impiegano un approccio Gradient Descent con ottimizzazione Adam. Questo metodo utilizza le stime del primo e secondo momento per accelerare la convergenza ed evitare i minimi locali, determinando il fattore di pruning ottimale ( $p^*$ ) che soddisfa i vincoli di sicurezza minimizzando al contempo lo storage.

3. Contributi Principali

Il documento delinea quattro contributi primari:

Architettura Innovativa: Proposta del DBHMT, un albero di Merkle ibrido su misura per l'IOTA Tangle che accoglie la natura dinamica dei dati sanitari attraverso il partizionamento verticale (statico vs dinamico).
Concetto di Pruning Dinamico: Introduzione di un meccanismo di bilanciamento dinamico in cui il fattore di pruning è regolabile in base al caso d'uso, consentendo un'ottimizzazione dello storage costante, sub-lineare o lineare.
Framework Teorico: Derivazione di espressioni analitiche a ciclo chiuso per l'altezza dell'albero, il costo di storage, la complessità delle prove e i limiti di sicurezza sotto pruning. Ciò include una rigorosa prova di sicurezza basata su giochi sotto il modello di random oracle.
Soluzione di Ottimizzazione: Sviluppo di un algoritmo iterativo utilizzando l'ottimizzazione Adam per risolvere il problema NP-hard della ricerca del fattore di pruning ottimale, navigando efficacemente nel compromesso tra efficienza dello storage e sicurezza.

4. Risultati e Valutazione

Gli autori hanno implementato il DBHMT sulla piattaforma IOTA Tangle e hanno condotto una valutazione di prova di concetto coinvolgendo un milione di transazioni.

Efficienza dello Storage: I risultati sperimentali dimostrano che il DBHMT ottiene una riduzione dei costi di storage di quattro volte (4x) rispetto ai convenzionali alberi di Merkle. Questo divario di efficienza si amplia all'aumentare delle transazioni, in particolare in scenari con alti volumi di dati a breve durata (ad esempio, durante epidemie o stagioni influenzali).
Validazione della Sicurezza: L'analisi teorica e le prove basate su giochi confermano che, con un fattore di pruning ottimale (identificato intorno a $p \approx 0,7$ nello studio), il DBHMT mantiene la forza crittografica. Le proprietà di sicurezza (integrità, pre-immagine, seconda pre-immagine e resistenza alle collisioni) rimangono entro margini accettabili (ad esempio, vantaggio avversariale trascurabile per $2^{40}$ query) anche con un pruning aggressivo.
Convergenza: L'algoritmo di ottimizzazione basato su Adam ha completato con successo la convergenza verso il fattore di pruning ottimale, dimostrando la fattibilità della risoluzione del compromesso non convesso storage-sicurezza in ambienti dinamici.

5. Significato e Rivendicazioni

Il documento sostiene che il DBHMT fornisca una soluzione pratica per il collo di bottiglia dello storage nell'IoT-enabled Healthcare 4.0 senza compromettere le garanzie fondamentali di sicurezza richieste per i record sanitari decentralizzati.

Scalabilità: Abilitando una scalabilità dei costi di storage lineare o sub-lineare anziché super-esponenziale, il DBHMT rende l'IOTA Tangle praticabile per applicazioni sanitarie IoT ad alto volume e con risorse limitate.
Flessibilità: Il framework consente un compromesso regolabile, in cui i professionari possono selezionare un fattore di pruning che soddisfi specifici requisiti normativi o operativi di sicurezza (ad esempio, la conformità HIPAA) massimizzando al contempo l'efficienza dello storage.
Impatto Più Ampio: Gli autori suggeriscono che questo approccio potrebbe beneficiare non solo la comunità open-source di IOTA, ma anche le reti blockchain tradizionali (private e di consorzio) che cercano di ottimizzare lo storage per applicazioni proprietarie.

Il documento conclude che, sebbene la soluzione proposta riduca significativamente l'overhead di storage, essa è progettata specificamente per scenari in cui i dati hanno una durata finita. Riconosce che per applicazioni che richiedono una ritenzione storica permanente e immutabile, tali strategie di pruning non sarebbero applicabili. Il lavoro futuro proposto prevede l'esplorazione di tecniche di ottimizzazione avanzate (ad esempio, il metodo di Newton) e il deployment nel mondo reale sulle reti IOTA 2.0.