IoMT-Enabled 5G for Patient Identification A Resilient Blockchain-Based Federated Learning Framework for Optimized and Secure Participant Selection
Loading...
Date
2025-11-04
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
University of M'Sila
Abstract
The Internet of Medical Things (IoMT) has revolutionized modern healthcare by enabling
continuous monitoring and real-time data exchange among medical devices. However,
the heterogeneity of data sources, limited computational resources, and increasing security
threats pose significant challenges to the deployment of intelligent and privacy-preserving
solutions.
This thesis proposes an enhanced framework that integrates Federated Learning (FL)
with lightweight blockchain consensus mechanisms to address key issues in participant
selection and system robustness. A comparative study of existing participant selection
methods is presented, followed by the design of a refined probabilistic model that balances optimization and privacy. Furthermore, we introduce a blockchain-assisted role assignment mechanism to improve transparency and trust among distributed participants.
The proposed framework, BlockGuard-RD, is evaluated against various threat scenarios such as data poisoning, impersonation, and denial-of-service (DoS) attacks. Experimental results demonstrate the framework’s ability to enhance model accuracy, improve
resource efficiency, and maintain high security standards within IoMT environments.
Ultimately, this work contributes a robust and adaptive solution for secure, scalable,
and privacy-aware machine learning in medical cyber-physical systems
Description
L’Internet des objets médicaux (Internet of Medical Things, IoMT) a profondément transformé le domaine de la santé moderne en permettant la surveillance continue et l’échange
de données en temps réel entre dispositifs médicaux. Toutefois, l’hétérogénéité des sources
de données, les ressources de calcul limitées et la multiplication des menaces de sécurité constituent des défis majeurs pour le déploiement de solutions intelligentes et respectueuses de la confidentialité.
Cette thèse propose une plateforme améliorée intégrant l’apprentissage fédéré (Federated Learning, FL) à des mécanismes de consensus blockchain allégés, afin de résoudre
les principaux problèmes liés à la sélection des participants et à la robustesse du système.
Une étude comparative des méthodes existantes de sélection des participants est présentée,
suivie de la conception d’un modèle probabiliste affiné conciliant optimisation et préservation de la vie privée. De plus, un mécanisme d’attribution de rôles assisté par blockchain
est introduit pour renforcer la transparence et la confiance entre les participants distribués.
La plateforme proposée, nommée BlockGuard-RD, est évaluée dans divers scénarios
de menace tels que l’empoisonnement des données, l’usurpation d’identité et les attaques
par déni de service (DoS). Les résultats expérimentaux démontrent la capacité de cette
structure à améliorer la précision des modèles, à optimiser l’utilisation des ressources et à
maintenir des standards de sécurité élevés dans les environnements IoMT.
En définitive, cette thèse contribue à la conception d’une structure robuste et adaptative
pour un apprentissage automatique sécurisé, évolutif et respectueux de la confidentialité
au sein des systèmes cyber-physiques médicaux.
Keywords
Federated learning, Internet of Medical Things, participant selection, Privacy levels, optimization levels