💻 computer science

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

Dit artikel stelt de Dynamic Balancing Hybrid Merkle Tree (DBHMT) voor, een geoptimaliseerde datastructuur voor IOTA Tangle-gebaseerde Healthcare 4.0 die een dynamisch snoeimechanisme gebruikt om een verviervoudige reductie in opslagkosten te bereiken terwijl de beveiliging behouden blijft voor hulpbronarmere IoT-omgevingen.

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

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Een Digitale Archiefkast voor Gezondheidsgegevens

Stel je een enorme, gedeelde digitale archiefkast voor die door ziekenhuizen en artsen wordt gebruikt om patiëntendossiers op te slaan. In de toekomst van de gezondheidszorg (genoemd "Healthcare 4.0") moet deze kast ongelooflijk veilig zijn zodat niemand de dossiers kan aanpassen, maar het moet ook klein genoeg zijn om in de piepkleine computers binnenin draagbare gezondheidsapparaten (zoals smartwatches of hartmonitors) te passen.

Het probleem is dat de huidige manier waarop deze dossiers worden georganiseerd (met behulp van een standaard "Merkle Tree") lijkt op een archiefkast die super-exponentieel groeit. Elke keer als er een nieuw patiëntendossier wordt toegevoegd, wordt de kast niet alleen een beetje groter; hij explodeert in omvang. Voor apparaten met beperkte opslagcapaciteit is dit een ramp.

De auteurs van dit paper stellen een nieuwe, slimmere manier van archiveren voor genaamd DBHMT (Dynamic Balancing Hybrid Merkle Tree). Ze hebben dit getest op een specifiek type digitaal grootboek genaamd de IOTA Tangle (een blockchain ontworpen voor het Internet of Things).

Het Kernprobleem: De "Groeiende Staart"

Om hun oplossing te begrijpen, stel je voor dat de patiëntendossiers zijn gerangschikt in een boomstructuur:

De Rechterkant (Statisch): Dit zijn patiënten met langdurige of levenslange aandoeningen (zoals diabetes of hartfalen). Hun dossiers blijven voor altijd in de kast.
De Linkerkant (Dynamisch): Dit zijn patiënten met kortstondige problemen (zoals griep, een kleine snee of een seizoensgebonden allergie). Hun dossiers zijn slechts een korte tijd nodig.

In een standaard systeem blijft de "Linkerkant" naar buiten toe groeien, waardoor er een enorme, rommelige "staart" van oude, verlopen dossiers ontstaat die niemand meer nodig heeft. Dit verstopt de opslagruimte.

De Oplossing: De "Dynamische Snoeier" Tuinman

De oplossing van de auteurs is om te fungeren als een tuinman die precies weet welke takken hij moet afknippen.

De Hybride Boom: Ze hebben een boom gebouwd die deels "n-ary" (veel takken) en deels "binair" (twee takjes) is, specifiek ontworpen om de mix van langetermijn- en kortetermijnpatiënten te verwerken.
Het Snoeimechanisme: Ze hebben een "snoeifactor" geïntroduceerd (laten we die $\alpha$ noemen). Dit is een regel die zegt: "Als een patiëntendossier is verlopen (zoals een verkoudheid die is genezen), knip dan die tak van de boom af."
De Balans: Het lastige deel is dat als je te veel snoeit, je de veiligheid verliest (je kunt niet meer bewijzen dat het dossier bestond). Als je te weinig snoeit, kom je zonder opslagruimte te zitten.

De "Goldilocks" Zoektocht (De Optimalisatie)

Het vinden van de perfecte hoeveelheid om af te knippen is een wiskundige puzzel die ongelooflijk moeilijk is (NP-hard). Het is als het proberen te vinden van de perfecte temperatuur voor een douche waarbij je wilt dat het warm genoeg is om comfortabel te zijn, maar niet zo heet dat je je brandt, terwijl de waterdruk constant verandert.

Het Algoritme: De auteurs gebruikten een slim wiskundig hulpmiddel genaamd Adam Optimization (een type gradiëntafdaling). Denk hierbij aan een robot-tuinman die verschillende kniphoeken probeert, de resultaten controleert en zijn schaar langzaam aanpast totdat hij de perfecte knip vindt.
Het Resultaat: Ze ontdekten dat het afknippen van ongeveer 30% van de dynamische takken (waarbij een snoeifactor van 0,7 overblijft) het ideale punt was.

De Resultaten: Een 4x Verbetering

Toen ze dit systeem testten met één miljoen transacties (om een enorme hoeveelheid gezondheidsdata te simuleren):

Oud Systeem: De opslagkosten groeiden ongecontroleerd, zoals een ballon die onbedaarlijk opblaast.
Nieuw Systeem (DBHMT): De opslagkosten bleven beheersbaar.
De Winst: Het nieuwe systeem gebruikte vier keer minder opslagruimte dan de traditionele methode.

Veiligheid: Hebben we te veel weggeknipt?

De auteurs waren zeer voorzichtig om ervoor te zorgen dat het wegknippen van deze takken de veiligheid niet zou breken. Ze hebben wiskundig bewezen dat, zelfs met het snoeien:

Integriteit: Je kunt nog steeds bewijzen dat een record deel uitmaakt van de boom.
Weerstand tegen aanvallen: Het is nog steeds computationeel onmogelijk voor een hacker om een record te vervalsen of twee verschillende records te vinden die hetzelfde lijken (collisie).

Ze creëerden een "veiligheidskaart" (Pareto front) die precies laat zien hoeveel opslagruimte je bespaart versus hoeveel veiligheid je eventueel verliest, waardoor het systeem binnen veilige grenzen blijft (zoals 128-bit of 256-bit beveiligingsniveaus).

Real-World Context (Zoals vermeld in het paper)

Het paper vermeldt specifiek dat dit is ontworpen voor IoT-enabled Healthcare 4.0.

De Apparaten: Draagbare fitness trackers, digitale thermometers en pulsoximeters.
De Use Case: Het beheren van elektronische patiëntendossiers (EHRs) voor zowel chronische (langdurige) als niet-chronische (kortdurige) patiënten.
Het Platform: Het is gebouwd om te werken op de IOTA Tangle, een gedecentraliseerd netwerk dat geen kosten rekent voor transacties, wat het ideaal maakt voor niet-monetaire gezondheidsgegevens.

Samenvatting

Het paper presenteert een nieuwe manier om digitale gezondheidsgegevens te organiseren die werkt als een slimme, zelfreinigende archiefkast. Door automatisch "snoeien" (verwijderen) van kortetermijnrecords terwijl de langetermijnrecords behouden blijven, en door een slim algoritme te gebruiken om de perfecte balans te vinden, creëerden ze een systeem dat 4 keer efficiënter is in het opslaan van gegevens zonder de veiligheid in gevaar te brengen die nodig is om de privacy van patiënten te beschermen.

Technische Samenvatting: DBHMT – Dynamic Balancing Hybrid Merkle Tree voor IoT-gestuurde Healthcare 4.0

1. Probleemstelling

De opkomst van sixth-generation (6G) technologie en de evolutie van Healthcare 4.0 hebben de vraag naar een veilige, transparante en efficiënte beheer van Elektronische Gezondheidsdossiers (EHRs) binnen hulpbron-beperkte Internet of Things (IoT) omgevingen geïntensiveerd. Hoewel gedecentraliseerde architecturen zoals de IOTA Tangle de noodzakelijke beveiliging en transparantie bieden, kampen zij met aanzienlijke uitdagingen met betrekking tot opslagefficiëntie.

In traditionele Healthcare 4.0 scenario's vertonen patiëntgegevens dynamische kenmerken: sommige records (bijv. kortstondige ziekten, verwondingen) hebben een korte levensduur, terwijl andere (bijv. chronische aandoeningen) levenslang zijn. Conventionele Merkle-tree implementaties, die super-exponentieel groeien met het transactievolume, slagen er niet in om deze dynamiek efficiënt te faciliteren. Naarmate de boom groeit om alle historische data te bevatten, worden de opslagkosten prohibitief voor IoT-apparaten. Bovendien zijn bestaande opslagoptimalisatietechnieken voor traditionele blockchains (bijv. het verwijderen van verouderde blokken) nog niet adequaat verkend of aangepast voor de IOTA Tangle's Directed Acyclic Graph (DAG) structuur, met name wanneer men de afweging maakt tussen opslagreductie en cryptografische veiligheidsgaranties (integriteit, pre-image weerstand, collision weerstand).

2. Methodologie

De auteurs stellen een nieuwe datastructuur voor genaamd de Dynamic Balancing Hybrid Merkle Tree (DBHMT), specifiek ontworpen voor de IOTA Tangle. De methodologie omvat drie kerncomponenten: structureel ontwerp, wiskundige modellering en optimalisatie.

2.1 Structureel Ontwerp: De Hybride Boom

De DBHMT is een verticaal gepartitioneerde hybride structuur die een $n$ -aire boom en een binaire boom combineert:

Statische Zijde (Rechts): Vertegenwoordigt patiënten met langdurige of levenslange aandoeningen. Deze zijde blijft statisch en wordt niet gepruned, waardoor de langetermijn-integriteit behouden blijft.
Dynamische Zijde (Links): Vertegenwoordigt patiënten met kortstondige of tijdelijke aandoeningen. Deze zijde is zeer dynamisch, waarbij blokken snel verlopen.
Pruning Mechanisme: Om de "groeiende staart" aan de dynamische zijde te beheersen, introduceren de auteurs een pruning mechanisme. Blokken aan de linkerzijde worden verwijderd zodra ze verlopen, gecontroleerd door een pruning factor ( $\alpha$ of $p$ ). Dit voorkomt de super-exponentiële groei die typerend is voor standaard Merkle-trees in hoog-transactie gezondheidsscenario's.

2.2 Wiskundige Modellering en Beveiligingsanalyse

De paper leidt gesloten vorm analytische expressies af voor de structurele en beveiligingseigenschappen van de DBHMT:

Hoogte en Opslag: De effectieve hoogte en het totale aantal knooppunten worden berekend als functies van het totaal aantal knooppunten ( $N$ ), boomniveaus ( $m, n$ ) en de pruning factor. De opslagkosten worden getoond een functie te zijn van de behouden dynamische knooppunten.
Beveiligingsrestricties: De auteurs analyseren hoe pruning invloed heeft op vier kritieke beveiligingseigenschappen:
1. Integriteit: Weerstand tegen vervalsing van inclusiebewijzen.
2. Pre-image Weerstand: De moeilijkheid om inputs te vinden vanuit hash-outputs.
3. Second Pre-image Weerstand: De moeilijkheid om alternatieve inputs te vinden voor een gegeven hash.
4. Collision Weerstand: De moeilijkheid om twee inputs te vinden met dezelfde hash.
  De analyse stelt vast dat hoewel pruning het aanvalsoppervlak voor sommige eigenschappen vermindert (bijv. second pre-image), het andere eigenschappen kan degraderen (bijv. pre-image weerstand) afhankelijk van de retentieratio.

2.3 Optimalisatie-algoritme

Het vinden van de optimale pruning factor wordt geformuleerd als een niet-convexe, NP-harde, multi-objective optimalisatieprobleem. Het doel is om de opslagkosten te minimaliseren terwijl aan de beveiligingsrestricties wordt voldaan (bijv. het handhaven van een 128-bit of 256-bit beveiligingsniveau).

Doelfunctie: Een samengestelde functie die hoogte-imbalans, totale hoogte, opslagkosten en beveiligingsstraffen balanceert.
Solver: Vanwege het niet-convexe karakter van het probleem maken de auteurs gebruik van een Gradient Descent benadering met Adam optimalisatie. Deze methode maakt gebruik van eerste en tweede moment schattingen om convergentie te versnellen en lokale minima te ontsnappen, wat de optimale pruning factor ( $p^*$ ) bepaalt die voldoet aan de beveiligingsrestricties terwijl de opslag wordt geminimaliseerd.

3. Belangrijkste Bijdragen

De paper schetst vier primaire bijdragen:

Nieuwe Architectuur: Voorstel van de DBHMT, een hybride Merkle-boom op maat gemaakt voor de IOTA Tangle die de dynamische aard van gezondheidsgegevens faciliteert via verticale partitie (statisch vs. dynamisch).
Dynamisch Pruning Concept: Introductie van een dynamisch balanceringsmechanisme waarbij de pruning factor aanpasbaar is op basis van het gebruiksgeval van de boom, wat constante, sub-lineaire of lineaire opslagoptimalisatie mogelijk maakt.
Theoretisch Kader: Afleiding van closed-loop analytische expressies voor boomhoogte, opslagkosten, bewijskomplexiteit en beveiligingsgrenzen onder pruning. Dit omvat een rigoureuze game-gebaseerde beveiligingsbewijsvoering onder het random oracle model.
Optimalisatieoplossing: Ontwikkeling van een iteratief algoritme met behulp van Adam-optimalisatie om het NP-harde probleem van het vinden van de optimale pruning factor op te lossen, waarbij effectief wordt genavigeerd door de niet-convexe trade-off tussen opslagefficiëntie en beveiliging.

4. Resultaten en Evaluatie

De auteurs hebben de DBHMT geïmplementeerd op het IOTA Tangle platform en een proof-of-concept evaluatie uitgevoerd met één miljoen transacties.

Opslagefficiëntie: Experimentele resultaten tonen aan dat DBHMT een viervoudige (4x) reductie in opslagkosten bereikt vergeleken met conventionele Merkle-trees. Deze efficiëntiekloof vergroot naarmate het aantal transacties toeneemt, met name in scenario's met hoge volumes van kortstondige data (bijv. pandemieën of griepseizoenen).
Beveiligingsvalidatie: Theoretische analyse en game-gebaseerde bewijzen bevestigen dat met een optimale pruning factor (geïdentificeerd rond $p \approx 0,7$ in de studie), de DBHMT de cryptografische kracht behoudt. De beveiligingseigenschappen (integriteit, pre-image, second pre-image en collision weerstand) blijven binnen acceptabele marges (bijv. verwaarloosbaar adversarieel voordeel voor $2^{40}$ queries), zelfs bij agressieve pruning.
Convergentie: Het Adam-gebaseerde optimalisatiealgoritme convergeerde succesvol naar de optimale pruning factor, wat de haalbaarheid bewijst van het oplossen van de niet-convexe opslag-beveiliging trade-off in dynamische omgevingen.

5. Betekenis en Claims

De paper claimt dat DBHMT een praktische oplossing biedt voor de opslagbottleneck in IoT-gestuurde Healthcare 4.0 zonder de fundamentele beveiligingsgaranties die vereist zijn voor gedecentraliseerde gezondheidsrecords in gevaar te brengen.

Schaalbaarheid: Door de opslagkosten lineair of sub-lineair te laten schalen in plaats van super-exponentieel, maakt DBHMT de IOTA Tangle levensvatbaar voor hoog-volume, hulpbron-beperkte IoT-gezondheidstoepassingen.
Flexibiliteit: Het framework maakt een instelbare trade-off mogelijk, waarbij praktijkgebruikers een pruning factor kunnen selecteren die voldoet aan specifieke regelgevende of operationele beveiligingsdrempels (bijv. HIPAA-compliance) terwijl de opslagefficiëntie wordt gemaximaliseerd.
Brede Impact: De auteurs suggereren dat deze aanpak niet alleen de open-source IOTA-gemeenschap kan bevoordelen, maar ook traditionele blockchain-netwerken (privé en consortium) die opslag willen optimaliseren voor propriëtaire toepassingen.

De paper concludeert dat hoewel de voorgestelde oplossing de opslagoverhead aanzienlijk vermindert, deze specifiek is ontworpen voor scenario's waar gegevens een eindige levensduur hebben. Er wordt erkend dat voor toepassingen die een permanente, onveranderlijke historische retentie vereisen, dergelijke pruning-strategieën niet van toepassing zouden zijn. Toekomstig werk wordt voorgesteld om geavanceerde optimalisatietechnieken (bijv. Newton's methode) en real-world deployment op IOTA 2.0 netwerken te verkennen.