💻 computer science

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

Este artigo propõe a Árvore de Merkle Híbrida de Equilíbrio Dinâmico (DBHMT), uma estrutura de dados otimizada para o Healthcare 4.0 baseado no Tangle da IOTA que emprega um mecanismo de poda dinâmica para alcançar uma redução de quatro vezes nos custos de armazenamento, mantendo a segurança para ambientes de IoT com recursos limitados.

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

Publicado 2026-07-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Um Arquivo Digital Compartilhado para Dados de Saúde

Imagine um enorme arquivo digital compartilhado usado por hospitais e médicos para armazenar registros de pacientes. No futuro da saúde (chamado de "Saúde 4.0"), este arquivo precisa ser incrivelmente seguro para que ninguém possa adulterar os registros, mas também precisa ser pequeno o suficiente para caber nos minúsculos computadores dentro de dispositivos de saúde vestíveis (como smartwatches ou monitores cardíacos).

O problema é que a forma atual de organizar esses registros (usando uma "Árvore de Merkle" padrão) é como um arquivo que cresce de forma superexponencial. Cada vez que um novo registro de paciente é adicionado, o arquivo não apenas aumenta um pouco; ele explode em tamanho. Para dispositivos com armazenamento limitado, isso é um desastre.

Os autores deste artigo propõem um novo sistema de arquivamento mais inteligente chamado DBHMT (Árvore de Merkle Híbrida de Equilíbrio Dinâmico). Eles o testaram em um tipo específico de livro de registro digital chamado IOTA Tangle (um blockchain projetado para a Internet das Coisas).

O Problema Central: A "Cauda Crescente"

Para entender a solução deles, imagine que os registros dos pacientes estão organizados em uma estrutura de árvore:

O Lado Direito (Estático): Estes são pacientes com condições de longo prazo ou vitalícias (como diabetes ou insuficiência cardíaca). Seus registros permanecem no arquivo para sempre.
O Lado Esquerdo (Dinâmico): Estes são pacientes com problemas de curto prazo (como uma gripe, um corte menor ou uma alergia sazonal). Seus registros são necessários apenas por um curto período.

Em um sistema padrão, o "Lado Esquerdo" continua crescendo para fora, criando uma "cauda" enorme e bagunçada de registros antigos e expirados que ninguém mais precisa. Isso entope o espaço de armazenamento.

A Solução: O Jardineiro de "Poda Dinâmica"

A solução dos autores é agir como um jardineiro que sabe exatamente quais galhos cortar.

A Árvore Híbrida: Eles construíram uma árvore que é parte "n-ária" (muitos ramos) e parte "binária" (dois ramos), projetada especificamente para lidar com a mistura de pacientes de longo e curto prazo.
O Mecanismo de Poda: Eles introduziram um "fator de poda" (vamos chamá-lo de $\alpha$ ). Esta é uma regra que diz: "Se o registro de um paciente expirou (como um resfriado que foi curado), corte esse galho da árvore".
O Equilíbrio: A parte difícil é que, se você cortar demais, perde segurança (não consegue provar que o registro existiu). Se cortar de menos, fica sem espaço de armazenamento.

A Busca "Goldilocks" (A Otimização)

Encontrar a quantidade perfeita para cortar é um quebra-cabeça matemático incrivelmente difícil (NP-difícil). É como tentar encontrar a temperatura perfeita para um banho, onde você quer que esteja quente o suficiente para ser confortável, mas não tão quente que te queime, enquanto a pressão da água continua mudando.

O Algoritmo: Os autores usaram uma ferramenta matemática inteligente chamada Otimização Adam (um tipo de gradiente descendente). Pense nisso como um robô jardineiro que tenta diferentes ângulos de corte, verifica os resultados e ajusta lentamente suas tesouras até encontrar o corte perfeito.
O Resultado: Eles descobriram que cortar cerca de 30% dos ramos dinâmicos (deixando um fator de poda de 0,7) era o ponto ideal.

Os Resultados: Uma Melhoria de 4x

Quando testaram este sistema com um milhão de transações (simulando uma enorme quantidade de dados de saúde):

Sistema Antigo: O custo de armazenamento crescia descontroladamente, como um balão inflando sem controle.
Novo Sistema (DBHMT): O custo de armazenamento permaneceu gerenciável.
A Vitória: O novo sistema utilizou quatro vezes menos espaço de armazenamento do que o método tradicional.

Segurança: Cortamos Demais?

Os autores foram muito cuidadosos para garantir que o corte desses ramos não quebrasse a segurança. Eles provaram matematicamente que, mesmo com a poda:

Integridade: Ainda é possível provar que um registro pertence à árvore.
Resistência a Ataques: Ainda é computacionalmente impossível para um hacker falsificar um registro ou encontrar dois registros diferentes que pareçam iguais (colisão).

Eles criaram um "mapa de segurança" (fronteira de Pareto) mostrando exatamente quanto de armazenamento você economiza versus quanta segurança você pode perder, garantindo que o sistema permaneça dentro de limites seguros (como níveis de segurança de 128 ou 256 bits).

Contexto do Mundo Real (Conforme Declarado no Artigo)

O artigo menciona especificamente que isso foi projetado para a Saúde 4.0 habilitada por IoT.

Os Dispositivos: Rastreadores de fitness vestíveis, termômetros digitais e oxímetros de pulso.
O Caso de Uso: Gestão de Registros Eletrônicos de Saúde (EHRs) tanto para pacientes crônicos (longo prazo) quanto não crônicos (curto prazo).
A Plataforma: É construído para funcionar no IOTA Tangle, uma rede descentralizada que não cobra taxas por transações, tornando-a ideal para dados de saúde não monetários.

Resumo

O artigo apresenta uma nova maneira de organizar registros digitais de saúde que funciona como um arquivo inteligente e autolimpante. Ao "podar" (deletar) automaticamente registros de curto prazo enquanto mantém os de longo prazo, e ao usar um algoritmo inteligente para encontrar o equilíbrio perfeito, eles criaram um sistema que é 4 vezes mais eficiente no armazenamento de dados sem comprometer a segurança necessária para proteger a privacidade do paciente.

Resumo Técnico: DBHMT – Árvore de Merkle Híbrida de Balanceamento Dinâmico para Saúde 4.0 Baseada em IoT

1. Definição do Problema

A emergência da tecnologia de sexta geração (6G) e a evolução da Saúde 4.0 intensificaram a demanda por uma gestão segura, transparente e eficiente de Registros Eletrônicos de Saúde (EHRs) dentro de ambientes de Internet das Coisas (IoT) com recursos limitados. Embora arquiteturas descentralizadas como o IOTA Tangle ofereçam a segurança e a transparência necessárias, elas enfrentam desafios significativos em relação à eficiência de armazenamento.

Em cenários tradicionais de Saúde 4.0, os dados dos pacientes exibem características dinâmicas: alguns registros (ex: doenças de curta duração, ferimentos) possuem vidas curtas, enquanto outros (ex: condições crônicas) são vitalícios. Implementações convencionais de árvores de Merkle, que crescem de forma superexponencial com o volume de transações, falham em acomodar essas dinâmicas de maneira eficiente. À medida que a árvore se expande para incluir todos os dados históricos, os custos de armazenamento tornam-se proibitivos para dispositivos IoT. Além disso, técnicas existentes de otimização de armazenamento para blockchains tradicionais (ex: remoção de blocos obsoletos) não foram adequadamente exploradas ou adaptadas para a estrutura de Grafo Acíclico Dirigido (DAG) do IOTA Tangle, particularmente ao equilibrar o compromisso entre redução de armazenamento e garantias de segurança criptográfica (integridade, resistência à pré-imagem, resistência à colisão).

2. Metodologia

Os autores propõem uma nova estrutura de dados chamada Árvore de Merkle Híbrida de Balanceamento Dinâmico (DBHMT), projetada especificamente para o IOTA Tangle. A metodologia envolve três componentes principais: design estrutural, modelagem matemática e otimização.

2.1 Design Estrutural: A Árvore Híbrida

A DBHMT é uma estrutura híbrida de partição vertical que combina uma árvore $n$ -ária e uma árvore binária:

Lado Estático (Direito): Representa pacientes com condições de longo prazo ou vitalícias. Este lado permanece estático e não é podado, preservando a integridade histórica de longo prazo.
Lado Dinâmico (Esquerdo): Representa pacientes com condições de curto prazo ou transitórias. Este lado é altamente dinâmico, onde os blocos expiram rapidamente.
Mecanismo de Poda: Para controlar a "cauda crescente" no lado dinâmico, os autores introduzem um mecanismo de poda. Os blocos no lado esquerdo são removidos assim que expiram, controlados por um fator de poda ( $\alpha$ ou $p$ ). Isso evita o crescimento superexponencial típico das árvores de Merkle padrão em cenários de saúde com alto volume de transações.

2.2 Modelagem Matemática e Análise de Segurança

O artigo deriva expressões analíticas de forma fechada para as propriedades estruturais e de segurança da DBHMT:

Altura e Armazenamento: A altura efetiva e a contagem total de nós são calculadas como funções do total de nós ( $N$ ), níveis da árvore ( $m, n$ ) e do fator de poda. O custo de armazenamento é mostrado como uma função dos nós dinâmicos retidos.
Restrições de Segurança: Os autores analisam como a poda impacta quatro propriedades de segurança críticas:
1. Integridade: Resistência à falsificação de provas de inclusão.
2. Resistência à Pré-imagem: Dificuldade em encontrar entradas a partir de saídas de hash.
3. Resistência à Segunda Pré-imagem: Dificuldade em encontrar entradas alternativas para um determinado hash.
4. Resistência à Colisão: Dificuldade em encontrar duas entradas com o mesmo hash.
  A análise estabelece que, embora a poda reduza a superfície de ataque para algumas propriedades (ex: segunda pré-imagem), ela pode degradar outras (ex: resistência à pré-imagem) dependendo da razão de retenção.

2.3 Algoritmo de Otimização

A busca pelo fator de poda ideal é formulada como um problema de otimização multiobjetivo, não convexo e NP-difícil. O objetivo é minimizar o custo de armazenamento enquanto satisfaz as restrições de segurança (ex: manter um nível de segurança de 128 bits ou 256 bits).

Função Objetivo: Uma função composta que equilibra o desequilíbrio de altura, altura total, custo de armazenamento e penalidades de segurança.
Solucionador: Devido à natureza não convexa do problema, os autores empregam uma abordagem de Gradiente Descendente com otimização Adam. Este método utiliza estimativas de momentos de primeira e segunda ordem para acelerar a convergência e escapar de mínimos locais, determinando o fator de poda ideal ( $p^*$ ) que satisfaz as restrições de segurança enquanto minimiza o armazenamento.

3. Principais Contribuições

O artigo delineia quatro contribuições primárias:

Arquitetura Inovadora: Proposta da DBHMT, uma árvore de Merkle híbrida adaptada para o IOTA Tangle que acomoda a natureza dinâmica dos dados de saúde através de partição vertical (estático vs. dinâmico).
Conceito de Poda Dinâmica: Introdução de um mecanismo de balanceamento dinâmico onde o fator de poda é ajustável com base no caso de uso da árvore, permitindo otimização de armazenamento constante, sublinear ou linear.
Estrutura Teórica: Derivação de expressões analíticas de malha fechada para altura da árvore, custo de armazenamento, complexidade de prova e limites de segurança sob poda. Isso inclui uma prova de segurança rigorosa baseada em jogos sob o modelo de oráculo aleatório.
Solução de Otimização: Desenvolvimento de um algoritmo iterativo usando otimização Adam para resolver o problema NP-difícil de encontrar o fator de poda ideal, navegando efetivamente no compromisso entre eficiência de armazenamento e segurança.

4. Resultados e Avaliação

Os autores implementaram a DBHMT na plataforma IOTA Tangle e conduziram uma avaliação de prova de conceito envolvendo um milhão de transações.

Eficiência de Armazenamento: Os resultados experimentais demonstram que a DBHMT alcança uma redução de quatro vezes (4x) no custo de armazenamento em comparação com as árvores de Merkle convencionais. Essa lacuna de eficiência aumenta conforme o número de transações cresce, particularmente em cenários com altos volumes de dados de vida curta (ex: temporadas de pandemia ou gripe).
Validação de Segurança: A análise teórica e as provas baseadas em jogos confirmam que, com um fator de poda ideal (identificado em torno de $p \approx 0.7$ no estudo), a DBHMT mantém a força criptográfica. As propriedades de segurança (integridade, pré-imagem, segunda pré-imagem e resistência à colisão) permanecem dentro de margens aceitáveis (ex: vantagem adversária negligenciável para $2^{40}$ consultas) mesmo com poda agressiva.
Convergência: O algoritmo de otimização baseado em Adam convergiu com sucesso para o fator de poda ideal, demonstrando a viabilidade de resolver o compromisso não convexo entre armazenamento e segurança em ambientes dinâmicos.

5. Significância e Alegações

O artigo afirma que a DBHMT fornece uma solução prática para o gargalo de armazenamento na Saúde 4.0 baseada em IoT sem comprometer as garantias fundamentais de segurança exigidas para registros de saúde descentralizados.

Escalabilidade: Ao permitir que os custos de armazenamento escalem de forma linear ou sublinear em vez de superexponencial, a DBHMT torna o IOTA Tangle viável para aplicações de saúde IoT de alto volume e recursos limitados.
Flexibilidade: A estrutura permite um compromisso ajustável, onde os profissionais podem selecionar um fator de poda que atenda a requisitos regulatórios ou operacionais de segurança específicos (ex: conformidade com a HIPAA) enquanto maximiza a eficiência de armazenamento.
Impacto Amplo: Os autores sugerem que esta abordagem pode beneficiar não apenas a comunidade de código aberto do IOTA, mas também redes de blockchain tradicionais (privadas e de consórcio) que buscam otimizar o armazenamento para aplicações proprietárias.

O artigo conclui que, embora a solução proposta reduza significativamente o overhead de armazenamento, ela é especificamente desenhada para cenários onde os dados possuem uma vida útil finita. Reconhece-se que para aplicações que exigem retenção histórica permanente e imutável, tais estratégias de poda não seriam aplicáveis. Um trabalho futuro é proposto para explorar técnicas de otimização avançadas (ex: método de Newton) e implantação no mundo real em redes IOTA 2.0.