本方法提出了一种基于可解释人工智能（XAI）的综合框架，旨在通过在受控云环境中使用合成医疗数据集，实现安全的医疗云数据迁移。该方案最终构建出一个原型系统，结合了零信任安全机制、基于时间的访问控制以及可解释的异常检测，以支持数据迁移过程的透明性与安全性。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本方法提出了一种基于可解释人工智能（XAI）的综合框架，旨在通过在受控云环境中使用合成医疗数据集，实现安全的医疗云数据迁移。该方案最终构建出一个原型系统，结合了零信任安全机制、基于时间的访问控制以及可解释的异常检测，以支持数据迁移过程的透明性与安全性。
在医疗保健系统中，越来越多的数据正在向云端迁移，但这也使得数据传输过程可能成为安全方面风险最大的环节。本文描述了一种基于可解释人工智能（XAI）的可复现安全云数据迁移协议，使用合成医疗数据集和受控的云环境进行实现。所开发的框架融合了零信任架构、时间最小权限、加密通信、集中监控以及可解释的异常检测机制，以实现更安全、透明且可审计的数据迁移。测试采用一个10 GB的合成电子健康记录数据集，包含约2000万条记录，分布在28个关系型数据表中。迁移过程在亚马逊网络服务（AWS）上进行，使用PostgreSQL数据库和私有虚拟网络。异常检测采用孤立森林（Isolation Forest）算法，而安全事件的解释则通过SHAP（Shapley加性解释）方法实现。该框架在十次独立的迁移尝试中进行了评估，评估指标包括凭证暴露时长、事件检测时间、异常检测准确率、迁移延迟和数据完整性。在测试配置下，凭证暴露时间从24小时减少至1小时（降低了95.8%），异常检测准确率达到97.4%，事件检测时间缩短至约15分钟，并通过校验和验证确保了100%的数据完整性。然而，更强的安全措施导致平均迁移延迟增加了11%。这些结果表明，将可解释人工智能与安全云迁移工作流程相结合，在管理医疗数据方面具有广阔的应用前景。
云计算现已成为全球医疗系统的重要组成部分，可提供可扩展的存储空间、计算资源，并通过云实现健康记录的交换、支持决策系统以及开展健康数据分析1,2,3。随着许多医疗机构升级其信息系统，将数据从传统的本地系统迁移至云端已成为关键步骤4。恰当的数据迁移有助于更便捷地检索数据、更高效地运行操作，并支持智能化程度更高的数据分析；但与此同时，也必须正视在数据传输过程中所伴随的严重安全与隐私风险5。
在数据生命周期中，迁移阶段是一个众所周知的脆弱环节，因为医疗保健数据在迁移过程中会主动在系统和网络之间传输6。此外，组织在数据迁移阶段可能面临诸如凭证被黑客攻击、未授权访问、数据截获、操纵行为甚至数据丢失等安全威胁6,7。由于患者信息高度敏感，医疗环境对这类风险的抵御能力较弱，因此必须严格遵守监管要求和安全措施，达到最高合规标准8,9。若....
访问受限。请登录或开始试用以查看此内容。
本研究使用了一个完全合成的医疗保健数据集，该数据集是为安全云数据迁移的实验评估而生成的。未使用任何真实患者数据、受保护的健康信息（PHI）或可识别的医疗记录。因此，无需机构审查委员会批准和知情同意。本研究中使用的所有材料均包含在材料表中。
1. 概述
访问受限。请登录或开始试用以查看此内容。
实验概述
采用包含约2000万条电子健康记录（EHR）的合成医疗数据集，对所提出的可解释人工智能（XAI）支持的安全云数据迁移协议进行了评估。这些记录分布在28个关系型数据库表中，总数据量为10 GB。实验在亚马逊网络服务（AWS）云环境中进行，使用Amazon RDS PostgreSQL 16、私有虚拟私有云（VPC）网络、TLS 1.3加密通信以及集中式监控服务。在相同的硬件、软件、网络和工作负载条件下，独立进行了十次迁移实验，以确保可重复性并最小化实验偏差。所有报告的性能值均为十次实验运行的平均值。在通过Shapiro-Wilk检验验证正态性后（p < 0.05），采用配对样本Student's t检验评估统计显著性。
数据集准备与验证结果
根据方案要求，已成功生成合成医疗保健数据集。数据验证确认成功生成了约 20,000,000 条与患者相关的记录，这些记录分布在 28.......
访问受限。请登录或开始试用以查看此内容。
本研究开发了一种可重复、安全的云数据库迁移协议，该协议在受限的实验环境中整合了零信任安全原则、基于时间的最小权限访问控制、可解释的人工智能（XAI）以及持续的安全监控。本文的目的并非提出新的迁移算法，因此作者主要提供了一种标准化的工作流程，使研究人员和实践者能够通过清晰表述的操作步骤来执行、评估和复现安全的医疗数据库迁移。该协议的成功实施依赖于若干关键步骤的严谨执行。高精度的威胁建模有助于在迁移前明确待迁移的资产、攻击者可能的入侵途径以及有效的安全控制措施。在数据传输前必须完成数据库模式验证，以避免结构不一致和模式漂移。在迁移过程中，需依据时间最小权限原则生成临时凭证，通信安全必须持续采用 TLS 1.3 加密协议保障，并且应不间断地收集迁移日志，以便用于安全监控和审计。迁移环境的清理仅应在完成 SHA-256 校验和验证、记录数校验以及模式一致性检查等任务后进行，这些步骤可证明数据库完整性已得到保持。
可解释的异常监控组件还需要仔细配置步骤，以实现可重复的结果。影响异常检测性能和解释质量的重要因素包括：选择适当的安全遥测特征、监控日志的一致性预处理、合适的孤立森林超参数，以及具有.......
访问受限。请登录或开始试用以查看此内容。
作者声明，他们在本研究中不存在任何可能影响研究结果的竞 争性财务利益、商业关系或个人关系。作者无任何利益冲突需要披露。重现本研究中所述方法所需的所有材料均已公开提供，存放于一个 GitHub 代码仓库中。该代码仓库的地址为：https://github.com/priyankanalawade896-tech/XAI-Secure-Cloud-Data-Migration。该仓库仅包含合成生成的基准数据，不包含任何真实患者的个人信息、受保护的健康信息或可识别的医疗记录。
作者感谢各自所属机构在本方案的开发与评估过程中提供的机构支持。作者还感谢使用了所属机构提供的计算设施和云计算资源，这些资源支持了所提出的安全云数据迁移框架的实验验证。
本研究未获得外部资金资助。本研究利用作者所属机构提供的科研设施和计算资源开展。未从任何公共、商业或非营利性资助机构获得拨款或财务支持。
访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| AES加密 | NIST | AES-256 | 静态数据加密 |
| Amazon RDS PostgreSQL | Amazon Web Services | PostgreSQL 16 | 目标数据库 |
| 云平台 | Amazon Web Services | AWS | 云基础设施 |
| CloudWatch | Amazon Web Services | 最新稳定版本 | 监控与日志记录 |
| Docker | Docker Inc. | 27.0 | 容器化 |
| Faker | Faker开发者 | 30.0 | 合成数据生成 |
| GPU | NVIDIA | RTX 4090 | 24 GB VRAM |
| Matplotlib | Matplotlib开发者 | 3.9 | 可视化 |
| NumPy | NumPy开发者 | 1.26 | 数值处理 |
| 操作系统 | Canonical | Ubuntu 22.04 LTS | 系统环境 |
| Pandas | PyData | 2.2 | 数据处理 |
| PostgreSQL | PostgreSQL全球开发组 | 16 | 源数据库 |
| Python | Python软件基金会 | 3.11 | 编程语言 |
| Scikit-learn | Scikit-learn开发者 | 1.5 | 机器学习 |
| SHAP | SHAP开发者 | 0.46 | 可解释人工智能 |
| Terraform | HashiCorp | 1.8 | 基础设施配置 |
| TLS | IETF | TLS 1.3 | 传输中数据加密 |
| 虚拟私有云 | Amazon Web Services | VPC | 私有网络环境 |
| 工作站 | Dell/HP | NA | Intel Xeon Gold 6226R，64 GB内存，1 TB固态硬盘 |
访问受限。请登录或开始试用以查看此内容。