在医疗物联网（IoMT）中，设备在严格的资源限制下处理高度敏感的健康数据，因此安全性和隐私性成为关键问题。联邦学习（FL）的使用进一步复杂化了这一局面，因为在训练过程中交换的模型更新可能无意中暴露私人医疗信息。随着量子计算能力的提升，传统轻量级加密机制的长期有效性受到威胁，这促使我们将后量子密码学（PQC）集成到IoMT系统中。
本文讨论了实现量子抗性IoMT的关键技术，包括后量子密钥建立、轻量级加密和边缘原生编排。我们提出了一个基于Kubernetes的可扩展框架，将PQC集成到支持FL的IoMT环境中，并在Raspberry Pi测试平台上进行了验证。结果表明，分布式加密处理显著降低了延迟，相较于顺序设计保持了可行的资源开销。
本文的主要贡献在于设计和验证了一个安全的编排与通信框架，适用于FL支持的IoMT系统。最后，我们概述了未来的方向，包括面向能耗的架构、智能安全优化以及弹性的下一代智能医疗物联网（IIoMT）生态系统。
博主点评： 本文提出的将后量子密码学与联邦学习相结合的框架，为IoMT设备在量子计算威胁下的安全性提供了新的解决方案。通过使用边缘计算和Kubernetes，显著提高了效率和安全性，展示了未来医疗技术发展的潜力。值得注意的是，如何在保持安全性的同时优化能耗，是未来研究的一个重要方向。