💻 computer science

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

本文提出了动态平衡混合默克尔树（DBHMT），这是一种针对基于 IOTA Tangle 的医疗健康 4.0 所优化的数据结构，它通过采用动态修剪机制，在保持资源受限型物联网环境安全性的同时，实现了存储成本四倍的降低。

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

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：医疗数据的数字档案柜

想象一个由医院和医生共同使用的庞大、共享的数字档案柜，用于存储患者记录。在未来的医疗领域（被称为“医疗 4.0”），这个档案柜需要极其安全，以确保任何人无法篡改记录；但同时，它也必须足够小，能够适配嵌入在可穿戴健康设备（如智能手表或心率监测仪）中的微型计算机。

问题在于，目前组织这些记录的方式（使用标准的“默克尔树” Merkle Tree）就像是一个会呈超指数级增长的档案柜。每当增加一条新的患者记录时，档案柜不仅仅是变大了一点，而是会发生体积爆炸。对于存储空间有限的设备来说，这简直是一场灾难。

本文作者提出了一种更智能的新型档案系统，称为 DBHMT（动态平衡混合默克尔树）。他们在一种特定的数字账本——IOTA Tangle（一种专为物联网设计的区块链）上对其进行了测试。

核心问题：“增长的尾巴”

为了理解他们的解决方案，请想象患者记录是按树状结构排列的：

右侧（静态）： 这些是患有长期或终身疾病（如糖尿病或心力衰竭）的患者。他们的记录会永久保存在档案柜中。
左侧（动态）： 这些是患有短期问题（如感冒、轻微割伤或季节性过敏）的患者。他们的记录只需要保留很短时间。

在标准系统中，“左侧”会不断向外扩张，形成一个巨大的、混乱的“尾巴”，里面充满了无人再需要的过期记录。这堵塞了存储空间。

解决方案：“动态修剪”园丁

作者的解决方案是扮演一名知道该剪掉哪些枝条的园丁。

混合树： 他们构建了一棵既包含“n 叉”（多分支）又包含“二叉”（双分支）结构的树，专门用于处理长期和短期患者的混合情况。
修剪机制： 他们引入了一个“修剪因子”（我们称之为 $\alpha$ ）。这是一个规则，规定：“如果患者的记录已过期（例如感冒已经痊愈），则剪掉该树的分支。”
平衡： 难点在于，如果你剪得太多，你会失去安全性（无法证明记录曾经存在）；如果你剪得太少，你会耗尽存储空间。

“金发姑娘”搜索（优化过程）

寻找完美的修剪量是一个极其困难的数学难题（NP-hard）。这就像是在尝试寻找淋浴的最佳水温：你希望水温足够热以感到舒适，但又不能太烫以免灼伤皮肤，而且与此同时，水压还在不断变化。

算法： 作者使用了一种名为 Adam Optimization（一种梯度下降法）的智能数学工具。你可以把它想象成一个“机器人园丁”，它尝试不同的切割角度，检查结果，并缓慢调整它的剪刀，直到找到那个完美的切口。
结果： 他们发现，修剪掉大约 30% 的动态分支（留下 0.7 的修剪因子）是最理想的状态。

结果：4 倍的提升

当他们使用 一百万次交易（模拟海量医疗数据）对该系统进行测试时：

旧系统： 存储成本剧烈增长，就像一个失控膨胀的气球。
新系统 (DBHMT)： 存储成本保持在可控范围内。
胜出点： 新系统的存储空间占用比传统方法减少了四倍。

安全性：我们剪得太多了吗？

作者非常谨慎地确保修剪这些分支不会破坏安全性。他们通过数学证明，即使在修剪之后：

完整性： 你仍然可以证明一条记录属于该树。
抗攻击性： 黑客仍然无法通过计算手段伪造记录，或找到两个看起来相同的不同记录（碰撞）。

他们创建了一个“安全地图”（帕累托前沿 Pareto front），清晰展示了你在节省多少存储空间的同时可能会损失多少安全性，从而确保系统始终处于安全限制内（如 128 位或 256 位安全等级）。

现实世界背景（如论文所述）

论文特别提到，这是专为 物联网驱动的医疗 4.0 设计的。

设备： 可穿戴健身追踪器、数字体温计和脉搏血氧仪。
应用场景： 管理慢性病（长期）和非慢性病（短期）患者的电子健康档案 (EHR)。
平台： 它是构建在 IOTA Tangle 之上的，这是一个去中心化的网络，其交易不收取费用，非常适合处理非货币性质的健康数据。

总结

本文提出了一种组织数字健康记录的新方法，它就像一个智能的自清洁档案柜。通过自动“修剪”（删除）短期记录并保留长期记录，同时利用智能算法找到完美的平衡点，他们创造了一个在不损害保护患者隐私所需的安全性前提下，效率提升了 4 倍 的系统。

技术摘要：DBHMT —— 用于物联网赋能的医疗健康 4.0 的动态平衡混合默克尔树

1. 问题陈述

第六代（6G）技术的兴起和医疗健康 4.0 的演进，加剧了对在资源受限的物联网（IoT）环境中，对电子健康记录（EHR）进行安全、透明且高效管理的需求。虽然像 IOTA Tangle 这样的去中心化架构提供了必要的安全性与透明度，但在存储效率方面面临着重大挑战。

在传统的医疗健康 4.0 场景中，患者数据表现出动态特征：某些记录（例如短期疾病、损伤）具有较短的生命周期，而另一些记录（例如慢性病）则是终身的。传统的默克尔树（Merkle tree）实现方式会随着交易量的增加而呈超指数级增长，无法有效地适应这些动态变化。随着树结构的扩张以包含所有历史数据，其存储成本对于物联网设备而言变得难以承受。此外，现有的针对传统区块链的存储优化技术（例如移除过时区块）尚未在 IOTA Tangle 的有向无环图（DAG）结构中得到充分的探索或适配，特别是在平衡存储缩减与密码学安全保证（完整性、原像抗性、碰撞抗性）之间的权衡方面。

2. 方法论

作者提出了一种名为**动态平衡混合默克尔树（DBHMT）**的新型数据结构，专门为 IOTA Tangle 设计。该方法论包含三个核心组成部分：结构设计、数学建模和优化。

2.1 结构设计：混合树

DBHMT 是一种垂直分区的混合结构，结合了 $n$ 叉树和二叉树：

静态侧（右侧）： 代表患有长期或终身疾病的患者。这一侧保持静态且不进行修剪，以保留长期的历史完整性。
动态侧（左侧）： 代表患有短期或瞬时疾病的患者。这一侧具有高度动态性，其中的区块会快速过期。
修剪机制： 为了控制动态侧产生的“增长尾部”，作者引入了修剪机制。左侧的区块会在过期后被移除，其过程由修剪因子 ( $\alpha$ 或 $p$ ) 控制。这防止了在高度活跃的医疗场景中出现标准默克尔树典型的超指数级增长。

2.2 数学建模与安全性分析

论文推导了 DBHMT 结构属性与安全属性的闭式解析表达式：

高度与存储： 有效高度和总节点数被计算为总节点数 ( $N$ )、树层数 ( $m, n$ ) 以及修剪因子的函数。研究表明，存储成本是保留的动态节点的函数。
安全约束： 作者分析了修剪如何影响四项关键的安全属性：
1. 完整性： 对伪造包含证明的抵抗力。
2. 原像抗性： 从哈希输出中寻找输入的难度。
3. 第二原像抗性： 对于给定哈希寻找替代输入的难度。
4. 碰撞抗性： 寻找两个具有相同哈希的输入的难度。
  分析表明，虽然修剪减少了某些属性（如第二原像抗性）的攻击面，但根据保留比例的不同，它也可能降低其他属性（如原像抗性）的性能。

2.3 优化算法

寻找最优修剪因子被归类为一个非凸、NP-难的多目标优化问题。其目标是在满足安全约束（例如维持 128 位或 256 位安全水平）的同时，最小化存储成本。

目标函数： 一个平衡了高度不平衡度、总高度、存储成本和安全惩罚的复合函数。
求解器： 由于该问题的非凸性质，作者采用了 带有 Adam 优化的梯度下降法。该方法利用一阶和二阶矩估计来加速收敛并跳出局部最优解，从而确定满足安全约束且使存储最小化的最优修剪因子 ( $p^*$ )。

3. 核心贡献

本文概述了四项主要贡献：

新颖架构： 提出了 DBHMT，这是一种专为 IOTA Tangle 定制的混合默克尔树，通过垂直分区（静态 vs 动态）来适应医疗数据的动态特性。
动态修剪概念： 引入了动态平衡机制，其中修剪因子可根据具体用例进行调整，从而实现常数级、亚线性或线性的存储优化。
理论框架： 推导了树高度、存储成本、证明复杂度以及修剪下安全边界的闭环解析表达式。这包括在随机预言机模型下的严格博弈论安全证明。
优化方案： 开发了一种使用 Adam 优化算法的迭代算法，用于解决寻找最优修剪因子的 NP-难问题，有效地处理了存储效率与安全性之间的权衡。

4. 结果与评估

作者在 IOTA Tangle 平台上实现了 DBHMT，并进行了涉及 一百万次交易 的概念验证评估。

存储效率： 实验结果表明，与传统默克尔树相比，DBHMT 实现了 四倍（4x）的存储成本缩减。随着交易数量的增加，这种效率差距会进一步扩大，尤其是在存在大量短期数据（如流行病或流感季节）的场景中。
安全性验证： 理论分析和基于博弈的证明确认，通过最优修剪因子（本研究中确定在 $p \approx 0.7$ 左右），DBHMT 能够保持密码学强度。即使在进行激进修剪的情况下，安全属性（完整性、原像抗性、第二原像抗性和碰撞抗性）仍保持在可接受的范围内（例如，对于 $2^{40}$ 次查询，对抗优势可忽略不计）。
收敛性： 基于 Adam 的优化算法成功收敛至最优修剪因子，证明了在动态环境中解决非凸存储-安全权衡问题的可行性。

5. 意义与主张

本文声称 DBHMT 为物联网赋能的医疗健康 4.0 中的存储瓶颈提供了一个切实可行的解决方案，且不会损害去中心化健康记录所需的根本安全保障。

可扩展性： 通过使存储成本从超指数级增长转变为线性或亚线性增长，DBHMT 使 IOTA Tangle 能够胜任高容量、资源受限的物联网医疗应用。
灵活性： 该框架允许一种可调的权衡机制，从业者可以选择符合特定监管或运营安全阈值（例如 HIPAA 合规性）的修剪因子，同时最大化存储效率。
更广泛的影响： 作者指出，这种方法不仅可以惠及开源的 IOTA 社区，也可以惠及寻求优化其专有应用存储性能的传统区块链网络（包括私有链和联盟链）。

论文总结道，虽然所提出的解决方案显著降低了存储开销，但它是专门针对数据具有有限生命周期的场景设计的。作者承认，对于需要永久、不可篡改的历史保留的应用，此类修剪策略将不再适用。未来的工作建议探索更高级的优化技术（例如牛顿法）以及在 IOTA 2.0 网络上的实际部署。