编辑推荐：
在医疗数据共享中，安全问题突出。研究人员开展基于区块链和深度学习的医疗数据访问控制（PA2C）与攻击检测（IntVO - RBNN）研究。结果显示 PA2C 性能优越，IntVO - RBNN 检测精准。该研究为医疗数据安全提供新方案。
随着科技飞速发展，医疗领域也迎来了数字化变革。如今，各种医疗设备和传感器不断涌现，它们如同一个个 “小卫士”，时刻收集着患者的健康数据。然而，这看似美好的背后却隐藏着诸多危机。在医疗数据共享过程中，安全问题日益凸显。一方面，现有安全架构难以保障敏感医疗数据的隐私和安全，很多方法只是针对特定应用，无法满足医疗行业复杂多样的安全需求。另一方面，医疗行业对动态权限执行、可扩展的上下文感知访问控制以及灵活按需的身份验证有着迫切需求，但目前的技术却难以实现。在这样的困境下，开展相关研究来保障医疗数据安全变得至关重要。
印度昌迪加尔大学（Chandigarh University）和马尼帕尔大学斋浦尔分校（Manipal University Jaipur）的研究人员勇挑重担，致力于解决这些问题。他们提出了一种访问控制机制（PA2C）和一种有效的攻击检测模型（IntVO - RBNN），为医疗数据安全保驾护航。这一研究成果发表在《Scientific Reports》上，引起了广泛关注。
为了实现这一目标，研究人员采用了多种关键技术方法。在数据存储和管理方面，他们借助区块链（Blockchain）和星际文件系统（IPFS）存储系统，确保患者电子健康记录（EHR）报告的安全存储。在攻击检测模型构建上，利用智能航行优化算法（IntVO）对径向基神经网络（RBNN）的参数进行有效调整，从而提高攻击检测的准确性。同时，PA2C 机制通过多因素身份验证来增强安全性，并结合区块链技术记录所有访问尝试和交易，提高透明度和问责性。
研究结果主要体现在以下几个方面：
- 访问控制方案的性能评估：研究人员将 PA2C 方案与传统方法进行对比，在不同数据块大小（50、100）和不同用户数量（20 - 100）的情况下进行测试。结果发现，PA2C 方案在响应性、合法用户检测（GUD）、隐私保护和信息损失等指标上表现优异。例如，在 50 个数据块时，PA2C 方案响应时间为 100.18 秒，相较于其他传统方法大幅减少；在 100 个数据块时，信息损失仅为 3.50% ，远低于传统方法。这表明 PA2C 方案能够有效提高医疗数据访问的安全性和效率。
- 攻击检测模型的性能评估：研究人员将 IntVO - RBNN 模型与其他攻击检测模型进行对比，在不同用户数量和不同训练数据比例下进行测试。结果显示，IntVO - RBNN 模型在准确率、误报率（FPR）、召回率和精确率等指标上表现出色。以 50 个用户、90% 训练数据为例，该模型准确率达到 94.01% ，远高于传统模型；在 100 个用户、90% 训练数据时，召回率为 95.26% ，精确率为 96.90% ，能够精准地检测出攻击行为。
- 其他分析：通过混淆矩阵评估，IntVO - RBNN 模型能准确检测攻击实例，误检测较少。计算复杂度分析表明，PA2C 方案计算时间短，效率高。安全分析显示，即使面对中间人（MITM）攻击和重放攻击，PA2C 方案仍能保证一定的安全性，在无攻击情况下性能更佳。
研究结论和讨论部分再次强调了该研究的重要意义。PA2C 方案仅允许授权合法人员访问数据，消除了数据泄露威胁；IntVO - RBNN 模型能有效检测攻击，提高了系统安全性。区块链和 IPFS 存储系统的应用增强了系统的弹性，解决了单点故障问题。与现有技术相比，该研究成果在各项指标上都表现更优，为医疗数据安全共享提供了更可靠的解决方案。这一研究成果有望在未来医疗领域得到广泛应用，为保障人们的健康数据安全发挥重要作用，推动医疗行业向更加安全、高效的方向发展。
