Ein experimentelles Protokoll für eine erklärbare, KI-gesteuerte sichere Cloud-Datenmigration unter Verwendung synthetischer Gesundheitsdaten

Priyanka Nalawade; Prashant Kumbharkar; Pankaj Agarkar; Avanish Kumbharkar; Sudan Jha

doi:10.3791/71612

Methodenartikel

Ein experimentelles Protokoll für eine erklärbare, KI-gesteuerte sichere Cloud-Datenmigration unter Verwendung synthetischer Gesundheitsdaten

DOI:

10.3791/71612

⸱

14. August 2026

Priyanka Nalawade¹^,² , Prashant Kumbharkar¹ , Pankaj Agarkar³ , Avanish Kumbharkar⁴ , Sudan Jha⁵

¹School of Engineering, Ajeenkya D Y Patil University, ²Department of Computer Engineering (Software Engineering), MIT Academy of Engineering, ³Ajeenkya D Y Patil SOE Lohegaon, ⁴MS Scholar, The University of Sydney, ⁵Department of Computer Science and Engineering, Kathmandu University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Methode stellt einen umfassenden, auf erklärbarer künstlicher Intelligenz (XAI) basierenden Rahmen vor, der eine sichere Migration von Gesundheitsdaten in die Cloud ermöglicht, wobei ein synthetischer Datensatz aus dem Gesundheitswesen in einer kontrollierten Cloud-Umgebung verwendet wird. Das Ergebnis ist ein Prototyp, der Zero-Trust-Sicherheit, zeitbasierte Zugriffskontrolle und erklärbare Anomalieerkennung kombiniert, um Transparenz und Sicherheit bei der Migration zu unterstützen.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In Gesundheitssystemen wird zunehmend eine Migration zu Cloud-Daten durchgeführt, wodurch sich jedoch auch die Zeiten verändern, in denen die Datenübertragung vermutlich das größte Sicherheitsrisiko darstellt. Dieser Artikel beschreibt ein reproduzierbares Protokoll für eine erklärbare Künstliche-Intelligenz-basierte (XAI) sichere Cloud-Datenmigration unter Verwendung eines synthetischen Gesundheitsdatensatzes und einer kontrollierten Cloud-Umgebung. Der entwickelte Rahmen kombiniert eine Zero-Trust-Architektur, zeitlich begrenztes Mindestprivileg, verschlüsselte Kommunikation, zentrale Überwachung und erklärbare Anomalieerkennung, um eine sicherere, transparentere und auditierbare Migration zu ermöglichen. Die Tests verwendeten einen 10-GB-Datensatz synthetischer elektronischer Gesundheitsakten, bestehend aus etwa 20 Millionen Datensätzen über 28 relationale Tabellen. Der Migrationsprozess wurde auf Amazon Web Services (AWS) unter Verwendung von PostgreSQL-Datenbanken und privaten virtuellen Netzwerken durchgeführt. Zur Anomalieerkennung kam Isolation Forest zum Einsatz, und Shapley Additive Explanations (SHAP) dienten der sicheren Interpretation von Ereignissen. Der Rahmen wurde anhand von zehn separaten Migrationsversuchen anhand von Metriken wie Dauer der Anmeldeinformationen-Exposition, Zeit bis zur Vorfallerkennung, Genauigkeit der Anomalieerkennung, Migrationslatenz und Datenintegrität evaluiert. Bei der getesteten Konfiguration reduzierte sich die Exposition von Anmeldeinformationen von 24 Stunden auf 1 Stunde (eine Reduktion um 95,8 %), die Genauigkeit der Anomalieerkennung betrug 97,4 %, die Zeit bis zur Vorfallerkennung verringerte sich auf etwa 15 Minuten, und die Datenintegrität wurde zu 100 % durch Prüfsummenvalidierung gewahrt. Die stärkeren Sicherheitsmaßnahmen führten jedoch zu einer durchschnittlichen Erhöhung der Migrationslatenz um 11 %. Diese Ergebnisse verdeutlichen das Potenzial der Kombination erklärbarer Künstlicher Intelligenz mit sicheren Cloud-Migrationsabläufen zur Verwaltung von Gesundheitsdaten.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cloud-Computing ist heute ein integraler Bestandteil von Gesundheitssystemen weltweit und bietet skalierbare Speicher- und Rechenressourcen sowie die Möglichkeit, Gesundheitsdaten auszutauschen, Entscheidungsunterstützungssysteme zu betreiben und Gesundheitsanalysen über die Cloud hinweg zu ermöglichen¹^,²^,³. Da viele Gesundheitseinrichtungen ihre Informationssysteme modernisieren, ist der Umstieg auf die Cloud für sie ein entscheidender Schritt, um ihre sensiblen Gesundheitsdaten, die bisher in älteren lokalen Systemen gespeichert sind, in die Cloud zu übertragen⁴. Eine ordnungsgemäße Migration führt zu einer einfacheren Datenbeschaffung, effizienteren Abläufen und einer besseren Unterstützung von Analysen mit höherer Intelligenz. Gleichzeitig dürfen jedoch die erheblichen Sicherheits- und Datenschutzrisiken, die mit der Übertragung von Daten von einem Ort zum anderen verbunden sind, nicht außer Acht gelassen werden⁵.

Die Migrationsphase ist ein notorisch anfälliger Moment im Datenlebenszyklus, da Gesundheitsdaten aufgrund der Art des Prozesses aktiv über Systeme und Netzwerke hinweg verschoben werden⁶. Zudem können Organisationen während der Migrationsphase Bedrohungen wie Hacking von Zugangsdaten, unbefugten Zugriff, Abfangen von Daten, Manipulationsschemata und sogar Datenverlust ausgesetzt sein⁶^,⁷. Gesundheitsumgebungen sind solchen Risiken weniger immun, da Patienteninformationen äußerst sensibel sind und daher die höchste Einhaltung regulatorischer und sicherheitstechnischer Maßnahmen erfordern⁸^,⁹. Andernfalls ist es nicht möglich, Vertraulichkeit, Integrität und Nachvollziehbarkeit der Daten sicherzustellen, wenn der Migrationsworkflow nicht gesichert und transparent gestaltet ist¹⁰^,¹¹.

Zahlreiche Sicherheitsrahmenwerke und -standards wurden entwickelt, um die Sicherheit in der Cloud zu verbessern. Beispielsweise zielt die Zero-Trust-Architektur des National Institute of Standards and Technology (NIST) darauf ab, Benutzer, Geräte und Dienste stets zu überprüfen¹², während Cloud-Adoption-Frameworks Leitlinien für Governance, Identitätsverwaltung, Verschlüsselung und Überwachung bereitstellen¹³. Tatsächlich konzentrieren sich moderne Cloud-Sicherheitsmethoden auf Automatisierung, Infrastructure-as-Code und kontinuierliche Überwachung¹⁴^,¹⁵. Obwohl diese Ansätze auf wertvollen Sicherheitsprinzipien basieren, befassen sie sich weitgehend mit allgemeinen Cloud-Bereitstellungs- und Betriebsumgebungen statt mit dem Migrationsprozess selbst¹⁶. Tatsächlich zeigen sie kaum Schritt-für-Schritt-Anleitungen, detaillierte und reproduzierbare Verfahren für sichere Migrationsabläufe von Gesundheitsdaten in die Cloud, die Identitätsverwaltung, sicheren Datentransfer, Validierung, Überwachung und die Absicherung nach der Migration kombinieren¹⁷.

Die Anomalieerkennung mithilfe maschinellen Lernens hat sich als hilfreiche Technologie bei der Sicherheitsüberwachung von Cloud-Umgebungen etabliert. Sie erkennt abnormale Systemaktivitäten sowie potenzielle Sicherheitsvorfälle¹⁸. Dennoch sind viele Verfahren zur Anomalieerkennung geschlossene Systeme, die keine Erklärungen für die Gründe liefern, aus denen ein Sicherheitsereignis markiert wurde¹⁹. Die Unfähigkeit, die vom System getroffenen Entscheidungen zu erklären, verringert die Glaubwürdigkeit der Administratoren, erschwert die Überprüfung und mindert den Wert automatisierter Sicherheitsentscheidungen in stark regulierten Gesundheitsumgebungen²⁰. Methoden der erklärbaren künstlichen Intelligenz (XAI) wie SHapley Additive exPlanations (SHAP) und Local Interpretable Model-agnostic Explanations (LIME) liefern nicht nur klare Erklärungen für Vorhersagen des maschinellen Lernens, sondern verbessern auch das Verständnis, die Nachvollziehbarkeit und das Vertrauen in Systeme zur Sicherheitsüberwachung²¹^,²².

Obwohl die Cloud-Sicherheit und erklärbare KI große Fortschritte gemacht haben, gibt es nach wie vor einen Mangel an reproduzierbaren experimentellen Protokollen, die sichere Migrationssteuerungen mit erklärbarer Sicherheitsüberwachung im Hinblick auf die Integration verbinden²³. Bestehende Forschungsarbeiten befassen sich überwiegend nur mit einzelnen Komponenten wie Verschlüsselung, Zugriffskontrolle, Anomalieerkennung oder Cloud-Governance und bieten nirgends eine integrierte Methodik, die systematisch implementiert, bewertet und reproduziert werden kann²⁴. Hinzu kommt, dass kaum Studien versucht haben, Zero-Trust-Sicherheitsprinzipien, zeitlich begrenztes Mindestprivileg, zentrale Beobachtbarkeit und erklärbare Anomalieerkennung in einen einzigen Arbeitsablauf für die Migration von Gesundheitsdaten in die Cloud zu integrieren²⁵^,²⁶.

Dieser Artikel stellt einen auf Erklärbarer KI basierenden Rahmen für die sichere Cloud-Datenmigration in Gesundheitssystemen vor, um diese Lücke zu schließen. Die vorgeschlagene Architektur nutzt ein Zero-Trust-Modell, zeitlich begrenzten Zugriff, sichere Kommunikation, zentrales Logging und Monitoring sowie SHAP-basierte interpretierbare Anomalieerkennung in einem gut strukturierten Migrationsprozess²⁷^,²⁸. Das Protokoll ist eine Schritt-für-Schritt-Anleitung zur Implementierung, Überwachung und Bewertung der sicheren Migration von Gesundheitsdaten unter experimentellen Bedingungen. Durch die Kombination von Sicherheitsmaßnahmen mit interpretierbarer KI-Überwachung zielt der vorgeschlagene Rahmen darauf ab, die Transparenz, Nachvollziehbarkeit und Sicherheit während des gesamten Migrationslebenszyklus zu erhöhen²⁹^,³⁰.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie verwendete einen vollständig synthetischen Gesundheitsdatensatz, der für die experimentelle Bewertung einer sicheren Cloud-Datenmigration generiert wurde. Es wurden keine echten Patientendaten, geschützten Gesundheitsinformationen (PHI) oder identifizierbaren Gesundheitsakten verwendet. Daher war keine Genehmigung durch die zuständige Ethikkommission und keine informierte Einwilligung erforderlich. Alle in dieser Studie verwendeten Materialien sind in der Tabelle der Materialien enthalten.

1. Übersicht

Richten Sie eine sichere Cloud-Migrationsumgebung ein, die aus einer Quellschicht, einer Migrations-Hub-Schicht, einer Zielschicht, einer Netzwerkschicht, einer Identitäts- und Zugriffsverwaltungsschicht, einer Beobachtbarkeitsschicht und einer erklärbaren KI-Schicht besteht.
Stellen Sie alle Komponenten in isolierten Cloud-Umgebungen bereit, um die sichere Migration von Gesundheitsdaten zu unterstützen. Richten Sie verschlüsselte Kommunikationskanäle zwischen allen Systemkomponenten ein.
Führen Sie das Protokoll durch Datensatzvorbereitung, Umgebungskonfiguration, Architekturbereitstellung, sichere Migration, Anomalieüberwachung und Post-Migration-Validierung aus. Die Gesamtarchitektur des vorgeschlagenen erklärbaren KI-gestützten sicheren Cloud-Datenmigrations-Frameworks ist in Abbildung 1 dargestellt.

figure-protocol-1
Abbildung 1: Gesamtsystemarchitektur des erklärbaren Künstlichen Intelligenz (XAI)-basierten sicheren Cloud-Datenmigrationsrahmens für Gesundheitssysteme. Der Rahmen umfasst die Identitäts- und Zugriffsverwaltungsschicht, die Quelldatenbankschicht, die Migrationshub-Schicht, die Zielschicht der Cloud-Datenbank, die Netzwerksicherheitsschicht, die Beobachtbarkeitsschicht, die Überwachungsschicht für erklärbare KI sowie durchgängige Sicherheits- und Governance-Dienste. Die Architektur integriert zeitlich begrenzte Zugriffskontrolle mit minimalem Rechteumfang, TLS-1.3-verschlüsselte Kommunikation, Integritätsprüfung auf Basis von Prüfsummen, kontinuierliche Sicherheitsüberwachung und SHAP-basierte Erklärbarkeit, um eine sichere, transparente und reproduzierbare Migration von Gesundheitsdatenbanken zu gewährleisten. Diese Abbildung wurde von den Autoren mit Microsoft PowerPoint (Microsoft 365) erstellt. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

2. Konfiguration der Rechenumgebung

Konfigurieren Sie die Rechenumgebung
1. Bereiten Sie die erforderlichen Rechenressourcen für die sichere Cloud-Datenmigration und das erklärbare, auf KI basierende Monitoring vor.
2. Installieren und konfigurieren Sie alle in der Tabelle der Materialien aufgeführten Hardware-, Software-, Cloud-Dienste, Datenbanken, Sicherheitstools und Machine-Learning-Bibliotheken. Stellen Sie sicher, dass alle erforderlichen Komponenten funktionsfähig sind, bevor Sie das Migrationsexperiment starten.
Konfigurieren Sie die Cloud-Umgebung
1. Richten Sie eine sichere Cloud-Umgebung für die Migration von Gesundheitsdaten ein. Richten Sie ein privates VPC für eine reibungslose Kommunikation zwischen Quell-, Migrationshub- und Zielsystemen ein. Verwenden Sie eine starke Verschlüsselung nicht nur für ruhende, sondern auch für übertragene Daten.
2. Bereiten Sie die Zieldatenbank und die Migrationsservices gemäß den Angaben in der Tabelle der Materialien vor.
Konfigurieren Sie das Identitäts- und Zugriffsmanagement. Richten Sie Überwachungs- und Protokollierungsdienste ein.

3. Datensatzvorbereitung und -beschreibung

Erzeugen Sie einen synthetischen Gesundheitsdatensatz mithilfe der im Materialverzeichnis aufgeführten Faker-Python-Bibliothek. Konfigurieren Sie demografische Merkmale wie Patientenalter, Geschlecht, ethnische Zugehörigkeit und geografischen Standort anhand vordefinierter Wahrscheinlichkeitsverteilungen.
Generieren Sie klinische Informationen, einschließlich Diagnosen, Laborergebnisse, Medikationen, Allergien, Verfahren und Krankenhausaufnahmen, wobei realistische klinische Zusammenhänge erhalten bleiben.
Erstellen Sie longitudinale Patientenkontaktverläufe, indem Sie einzelnen Patienten mehrere Besuche gemäß vordefinierten Besuchshäufigkeitsverteilungen zuweisen.
Generieren Sie Zeitstempel für Aufnahmen, Laboruntersuchungen, Medikamentengabe, Entlassungsberichte und Audit-Logs unter Beachtung chronologischer Ereignisreihenfolge.
Integrieren Sie klinisch realistische fehlende Werte, doppelte Datensätze und Ausreißerbeobachtungen gemäß vordefinierter Datenqualitätsverteilungen.
Ersetzen Sie alle personenbezogenen Informationen durch synthetische Werte, die mit der Faker-Bibliothek generiert wurden. Überprüfen Sie die referenzielle Integrität und logische Konsistenz, bevor der Datensatz exportiert wird. Exportieren Sie den validierten Datensatz im PostgreSQL-kompatiblen SQL-Format. Konfigurieren Sie den Datensatz so, dass er realistische Szenarien zur Gesundheitsdatenübertragung unterstützt. Die Merkmale des generierten Datensatzes sind in Tabelle 1 zusammengefasst.
Definieren Sie die Datenbankbeziehungen. Weisen Sie die Patient_ID als Primärschlüssel für die Patiententabelle zu. Stellen Sie Fremdschlüsselbeziehungen zwischen den Tabellen Patient, Besuch, Labor, Medikation und Audit-Log her. Überprüfen Sie die referenzielle Integrität über alle Tabellen hinweg, bevor die Migration initiiert wird.
Simulieren Sie realistische Merkmale von Gesundheitsdaten. Generieren Sie das Patientenalter anhand einer Normalverteilung. Erzeugen Sie Besuchshäufigkeiten mithilfe einer Poisson-Verteilung. Führen Sie fehlende Werte mit einer Rate von 5 % ein, um die Unvollständigkeit realer elektronischer Patientenakten (EHR) zu simulieren. Ersetzen Sie alle Patientenidentifikatoren vor der Migration durch gehashte Werte. Stellen Sie sicher, dass alle generierten Datensätze den vordefinierten Schemabeschränkungen entsprechen.
Validieren Sie den generierten Datensatz, indem Sie Schema-Konsistenz, referenzielle Integrität, fehlende Werte, doppelte Datensätze und vordefinierte Qualitätsbeschränkungen vor der Migration überprüfen.

Parameter	Wert
Art des Datensatzes	Synthetischer Gesundheits-EHR-Datensatz
Größe des Datensatzes	10 GB
Gesamtanzahl der Datensätze	20 Millionen
Anzahl der Tabellen	5 Kern-Tabellen – 28 relationale Tabellen
Patientendatensätze	5.000.000
Besuchsdatensätze	10.000.000
Laborergebnisse	4.000.000
Medikationsdatensätze	3.000.000
Prüfprotokolle	5.000.000
Primärschlüssel	Patient_ID
Anteil fehlender Werte	<0,1 % Verstöße
Altersverteilung	Normalverteilung
Besuchshäufigkeit	Poisson-Verteilung
Integritätsschwelle	<0,1 % Verstöße

Tabelle 1: Merkmale des synthetischen Gesundheitsdatensatzes, der zur Validierung des Protokolls verwendet wurde. Die Tabelle bietet einen Überblick über den Datensatz, wie Datengröße, Anzahl relationaler Tabellen, Gesamtanzahl der Datensätze, Patientenmerkmale, klinische Variablen und Validierungskennzeichen, um die sicheren Migrationsversuche nachzuvollziehen.

4. Bereitstellung der Systemarchitektur

Stellen Sie die sichere Cloud-Migrationsarchitektur bereit, die aus der Quellschicht, der Migrations-Hub-Schicht, der Zielschicht, der Netzwerksicherheitsschicht, der Beobachtbarkeitsschicht und der erklärbaren KI-Schicht besteht. Die in dieser Studie verwendete bereitgestellte Systemarchitektur ist in Abbildung 2 dargestellt.
Das Framework besteht aus sechs funktionsfähigen Schichten, die während des Migrationsprozesses nacheinander ihre Funktionen ausführen. Die erste Schicht, die Quellschicht, enthält die synthetische Gesundheitsdatenbank.
Der Migrations-Hub ist für die Schemagenerierung, den verschlüsselten Datentransfer, die Integritätsprüfung und die Migrationskoordination zuständig. Die Zielschicht ist der Ort, an dem die migrierte Datenbank in Amazon RDS PostgreSQL gespeichert wird.
Die Netzwerksicherheitsschicht schützt sämtliche Kommunikation durch den Einsatz privater VPC-Endpunkte, TLS-1.3-Verschlüsselung, Sicherheitsgruppen und Netzwerk-Zugriffssteuerungslisten.
Die Beobachtbarkeitsschicht sammelt kontinuierlich Authentifizierungsprotokolle, Migrationsprotokolle, Datenbankaktivitätsprotokolle und Sicherheitsereignisse mithilfe von Amazon CloudWatch.
Die erklärbare KI-Schicht empfängt die gesammelte Sicherheitstelemetrie, verarbeitet sie mittels eines Isolation-Forest-Algorithmus und erzeugt SHAP-basierte Erklärungen für die gefundenen Anomalien. Alle architektonischen Schichten kommunizieren über private Netzwerkanbindungen, die während des gesamten Migrationsablaufs authentifiziert sind.
Stellen Sie die Quelldatenbankumgebung bereit und überprüfen Sie diese, um vor der Migration sicheren Zugriff und Datenverfügbarkeit sicherzustellen.
1. Richten Sie eine PostgreSQL-16-Datenbank mit dem synthetischen Gesundheitsdatensatz ein. Speichern Sie Patienteninformationen, Besuchsdetails, Laborergebnisse, Arzneimitteldatensätze und Audit-Protokolle in der Quelldatenbank.
2. Beschränken Sie den Datenbankzugriff ausschließlich auf autorisierte Migrationsservices und administrative Benutzer. Überprüfen Sie die Verfügbarkeit und Erreichbarkeit der Datenbank, bevor Sie Migrationsvorgänge starten.
Konfigurieren Sie den Migrations-Hub, um die Schemagenerierung, den verschlüsselten Datentransfer und die Migrationskoordination zu steuern.
1. Stellen Sie einen dedizierten Migrationsserver innerhalb des privaten Virtual Private Cloud (VPC) bereit. Konfigurieren Sie Migrationskoordinationsservices, um Schemagenerierung, Datentransfer und Validierungsaktivitäten zu koordinieren.
2. Aktivieren Sie Schema-Validierungsdienste, um die Kompatibilität zwischen Quell- und Zielumgebung zu überprüfen. Aktivieren Sie Integritätsprüfungs-Dienste, um die migrierten Daten während und nach dem Transfer zu validieren. Stellen Sie die Kommunikation zwischen dem Migrations-Hub und den Datenbanksystemen sicher, bevor Sie Migrationsaufgaben ausführen.
Stellen Sie die Zielschicht bereit. Setzen Sie Amazon RDS PostgreSQL 16 als Ziel-Datenbankumgebung ein. Aktivieren Sie automatische Sicherungs- und Wiederherstellungsdienste. Aktivieren Sie AES-256-Verschlüsselung für in der Zieldatenbank gespeicherte Daten.
Konfigurieren Sie die Netzwerksicherheit. Deaktivieren Sie alle öffentlichen IP-Adressen, die mit Migrationsressourcen verbunden sind. Erlauben Sie die Kommunikation ausschließlich über private Endpunkte innerhalb der VPC. Konfigurieren Sie Netzwerk-Zugriffssteuerungslisten (NACLs) und Sicherheitsgruppen. Aktivieren Sie TLS-1.3-Verschlüsselung für sämtliche Kommunikation zwischen den Systemkomponenten. Stellen Sie sicher, dass keine öffentlich zugänglichen Endpunkte aktiv bleiben.
Konfigurieren Sie ein zentrales Monitoring, um kontinuierlich Sicherheitsereignisse, Migrationsprotokolle und Systemleistungsmetriken zu erfassen.
1. Aktivieren Sie Amazon CloudWatch-Protokollierungs- und Monitoringdienste. Erfassen Sie Authentifizierungsprotokolle, Migrationsprotokolle, Datenbankaktivitätsprotokolle und Sicherheitsereignis-Protokolle. Konfigurieren Sie eine Protokollaufbewahrungsdauer von 365 Tagen. Aktivieren Sie unveränderliche Protokollarchivierung, um Audit- und Compliance-Anforderungen zu unterstützen. Überprüfen Sie die Echtzeiterfassung von Metriken und die Generierung von Warnmeldungen.
Konfigurieren Sie die Umgebung für erklärbare KI, um eine Echtzeitanomalieerkennung durchzuführen und interpretierbare Sicherheitserklärungen zu generieren.
1. Stellen Sie Anomalieerkennungsdienste innerhalb der Monitoringumgebung bereit. Konfigurieren Sie das Framework für erklärbare KI, um die während der Migration generierte Sicherheitstelemetrie zu verarbeiten. Verbinden Sie Telemetriedatenströme aus der Quelle, dem Migrations-Hub, der Zieldatenbank und den Monitoringdiensten.
2. Aktivieren Sie die Echtzeitanomalieerkennung und die Generierung SHAP-basierter Erklärungen. Überprüfen Sie die erfolgreiche Aufnahme der Telemetriedaten, bevor Sie Migrationsversuche starten.

figure-protocol-2
Abbildung 2: Bereitstellungsarchitektur des sicheren Cloud-Migrationsrahmenwerks für das Gesundheitswesen. Die Bereitstellungsumgebung veranschaulicht die PostgreSQL-Quelldatenbank mit dem synthetischen Gesundheitsdatensatz, den dedizierten Migrationshub innerhalb einer privaten virtuellen Cloud (VPC), die Amazon RDS PostgreSQL-Zieldatenbank, die Netzwerksicherheitsschicht, die zentrale Beobachtbarkeit über Amazon CloudWatch und die Überwachungsschicht für Erklärbare Künstliche Intelligenz. Der gesamte Datenaustausch erfolgt über private Endpunkte, die durch TLS 1.3-Verschlüsselung geschützt sind. Diese Abbildung wurde von den Autoren mit Microsoft PowerPoint (Microsoft 365) erstellt. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

5. Sicheres Migrationsverfahren

HINWEIS: Führen Sie den sicheren Migrationsworkflow durch, indem Sie Threat Modeling, Schemaübertragung, sichere Datenmigration, Migrationsvalidierung und Nachbearbeitung nach der Migration durchführen.

Identifizieren Sie potenzielle Sicherheitsbedrohungen und leiten Sie geeignete Minderungsmaßnahmen ab, bevor Sie mit dem Migrationsprozess beginnen.
1. Identifizieren Sie Migrationsressourcen, potenzielle Angriffsvektoren und realistische Cyberangriffsszenarien.
2. Bewerten Sie den Diebstahl von Anmeldedaten infolge kompromittierter Authentifizierungstoken, interne Angriffe durch nicht autorisierten administrativen Zugriff, Replay-Angriffe, die auf zuvor abgefangene Authentifizierungsanfragen abzielen, Man-in-the-Middle-(MITM)-Angriffe, die versuchen, verschlüsselte Kommunikationskanäle abzufangen, Schema-Manipulationen, die darauf abzielen, Datenbankstrukturen während der Migration zu verändern, sowie Privilegien-Eskalationsangriffe, die darauf abzielen, nicht autorisierte administrative Berechtigungen zu erlangen.
3. Prüfen Sie, ob die zeitlich begrenzte Verwendung von Mindestberechtigungen ausreicht, um den Diebstahl von Anmeldedaten und Privilegien-Eskalationsangriffe zu verhindern. Stellen Sie sicher, dass die mit TLS 1.3 verschlüsselte Kommunikation Schutz vor Replay-Angriffen und Man-in-the-Middle-Angriffen bietet.
4. Überprüfen Sie, ob Identitäts- und Zugriffsverwaltungsrichtlinien (IAM) nicht autorisierten administrativen Zugriff verhindern. Stellen Sie sicher, dass kontinuierliches Audit-Logging alle sicherheitsrelevanten Migrationsaktivitäten protokolliert. Vergewissern Sie sich, dass die Überprüfung mittels SHA-256-Prüfsumme unbefugte Änderungen am Schema oder an den Daten erkennen kann.
5. Stellen Sie sicher, dass das erklärbare Anomalieerkennungs-Framework ungewöhnliche Migrationsaktivitäten lokalisieren und gleichzeitig nachvollziehbare Sicherheitserklärungen liefern kann. Erstellen Sie für jede identifizierte Bedrohung eine Zuordnung der Sicherheitsmaßnahmen. Überprüfen Sie, dass alle identifizierten Bedrohungen ausreichend abgemildert sind, bevor Sie mit der Datenbankmigration beginnen. Die Autoren haben das Bedrohungsmodell und die Sicherheitsmaßnahmen in Tabelle 2 zusammengefasst.
Übertragen Sie das Datenbankschema. Extrahieren Sie die Schemadefinitionen aus der PostgreSQL-Quelldatenbank. Überprüfen Sie die Schema-Kompatibilität mit der Ziel-Datenbankumgebung. Validieren Sie Tabellenstrukturen, Primärschlüssel, Fremdschlüssel, Indizes und Einschränkungen. Stellen Sie die validierten Schemadefinitionen in der Zieldatenbank bereit. Bestätigen Sie den erfolgreichen Einsatz des Schemas, bevor Sie die Daten übertragen.
Migrieren Sie Gesundheitsdaten sicher über verschlüsselte Kommunikationskanäle, während Sie die Migrationsaktivitäten kontinuierlich überwachen.
1. Konfigurieren Sie die Migrations-Stapelgröße auf 10.000 Datensätze pro Transaktion. Richten Sie verschlüsselte Kommunikationskanäle mittels TLS 1.3 ein. Übertragen Sie die Daten über private Netzwerkendpunkte innerhalb der virtuellen privaten Cloud (VPC).
2. Aktivieren Sie automatische Wiederholungsversuche mit maximal drei Wiederholungen für fehlgeschlagene Transaktionen.
  Halten Sie die Datenübertragungsrate zwischen 100 MB/s und 150 MB/s aufrecht. Überwachen Sie die Migrationsaktivitäten kontinuierlich während des gesamten Übertragungsprozesses. Protokollieren Sie alle Migrationsereignisse in zentralen Audit-Logs.
Überprüfen Sie Vollständigkeit und Integrität der Migration, indem Sie Prüfsummen, Datensatzanzahlen und Datenbankstrukturen vergleichen.
1. Erzeugen Sie SHA-256-Hashwerte für alle Quelltabellen vor der Migration und SHA-256-Hashwerte für alle Zieltabellen nach der Migration. Vergleichen Sie die Prüfsummen der Quelle und des Ziels. Überprüfen Sie die Zeilenzahlen der Quell- und Zieldatenbanken. Prüfen Sie die Konsistenz der Schemata, Tabellenbeziehungen und Datenbankbeschränkungen. Betrachten Sie die Migration erst dann als erfolgreich, wenn Prüfsummen, Datensatzanzahlen und Schemastrukturen identisch sind.
Entfernen Sie temporäre Berechtigungen und schließen Sie die Sicherheitsmaßnahmen ab, nachdem die Datenmigration erfolgreich abgeschlossen wurde.
1. Entziehen Sie alle temporären Migrationsanmeldedaten unmittelbar nach Abschluss der Migration. Entfernen Sie erhöhte Migrationsberechtigungen von Dienstkonten. Archivieren Sie Audit-Logs und Sicherheitsüberwachungsdatensätze.
2. Überprüfen Sie den erfolgreichen Abschluss der Sicherungsverfahren. Nehmen Sie temporäre Migrationsserver und unterstützende Ressourcen außer Betrieb. Führen Sie eine abschließende Sicherheitsüberprüfung der migrierten Umgebung durch. Dokumentieren Sie die Migrationsergebnisse und Validierungsresultate. Der vollständige sichere Migrationsworkflow, der in dieser Studie verwendet wurde, ist in Abbildung 3 dargestellt.

Bedrohungsszenario	Sicherheitsmaßnahme	Erkennungsmethode	Abmilderung
Diebstahl von Anmeldeinformationen	Temporäres Prinzip des geringsten Rechteumfangs (TLP)	IAM-Protokolle	Automatische Sperrung von Anmeldeinformationen
Angriff durch Insider	Rollenbasierte Zugriffskontrolle (RBAC)	Audit-Protokolle + SHAP	Sitzung beenden
Wiedergabeangriff	TLS 1.3 + Nonce-Validierung	Netzwerküberwachung	Doppelte Anfragen ablehnen
Man-in-the-Middle (MITM)	TLS 1.3-Verschlüsselung	Zertifikatsvalidierung	Verschlüsselte Kommunikation
Manipulation des Schemas	SHA-256-Prüfsumme + Schema-Validierung	Integritätsprüfung	Bestätigtes Schema wiederherstellen
Erhöhung der Berechtigungen	Durchsetzung von IAM-Richtlinien	Sicherheitsprotokolle	Entzug der erhöhten Berechtigungen

Tabelle 2: Bedrohungsmodell und jeweilige Sicherheitsmaßnahmen im vorgeschlagenen Migrationsframework. Die Tabelle beschreibt die wichtigsten repräsentativen Sicherheitsbedrohungen und die entsprechenden Minderungsmechanismen, die auf den Prinzipien der Zero-Trust-Sicherheit, Verschlüsselung, Identitätsverwaltung, Integritätsprüfung, Überwachung und erklärbarer Anomalieerkennung basieren.

figure-protocol-3
Abbildung 3: Ablauf des vorgeschlagenen Protokolls für die sichere Migration einer Cloud-Datenbank. Das Protokoll besteht aus sieben aufeinanderfolgenden Phasen: Bedrohungsmodellierung, Schematransfer, sichere Datenbankmigration, Validierung der migrierten Daten, Nachbearbeitung nach der Migration, Audit-Protokollierung und Archivierung sowie Abschluss der Migration. Während des gesamten Migrationsablaufs werden Sicherheitsüberwachung, verschlüsselte Kommunikation, Identitätsverwaltung, unveränderliche Protokollierung und erklärbare Anomalieerkennung aufrechterhalten. Diese Abbildung wurde von den Autoren mit Microsoft PowerPoint (Microsoft 365) erstellt. Klicken Sie bitte hier, um eine vergrößerte Version dieser Abbildung anzusehen.

6. Konfigurieren Sie das Monitoring für erklärbare Künstliche Intelligenz

HINWEIS: Der Ablauf des Verfahrens umfasst: die Identifizierung von Sicherheitsmerkmalen im Migrationsprozess, den Aufbau eines Modells zur Erkennung von Unregelmäßigkeiten, die Erkennung verdächtiger Migrationsaktionen und die Erzeugung nachvollziehbarer Ergebnisse mithilfe von SHAP-Interpretationsmethoden.

Extrahieren und vorverarbeiten Sie Sicherheits-Telemetriefunktionen, die für die Anomalieerkennung und Erklärbarkeitsanalyse erforderlich sind.
1. Sammeln Sie Sicherheitsprotokolle von Datenbankservern, Authentifizierungsservern, Anwendungsservern und Netzwerküberwachungssystemen. Aggregieren Sie alle migrationsbezogenen Ereignisse in einem zentralen Protokollarchiv. Entfernen Sie doppelte Datensätze und unvollständige Einträge. Synchronisieren Sie Zeitstempel über alle Protokollquellen hinweg mithilfe der koordinierten Weltzeit (UTC).
2. Berechnen Sie die Zugriffshäufigkeit für jeden Benutzer während der Migrationsvorgänge. Notieren Sie die Anzahl der fehlgeschlagenen Anmeldeversuche, die mit jedem Konto verknüpft sind. Überwachen Sie Änderungen der Quell-IP-Adressen während der Migrationssitzungen.
3. Messen Sie die Dauer der Benutzersitzung vom Anmeldebeginn bis zum Ende. Berechnen Sie die Volumina des eingehenden und ausgehenden Datentransfers während der Migrationsaktivitäten. Normalisieren Sie alle extrahierten Merkmale mithilfe der Min-Max-Normalisierung.
4. Tabelle 3 fasst die Sicherheitsmerkmale zusammen, die für die Anomalieerkennung und Erklärbarkeitsanalyse verwendet werden.
Trainieren und validieren Sie das Isolation Forest-Modell mithilfe des vorbereiteten Datensatzes mit Sicherheitsmerkmalen.
1. Teilen Sie den Datensatz auf. Teilen Sie den Datensatz zufällig in einen Trainingsdatensatz (70 %), einen Validierungsdatensatz (15 %) und einen Testdatensatz (15 %) auf. Stellen Sie eine konsistente Verteilung normaler und anormaler Ereignisse in allen Teilmengen sicher.
2. Auswahl des Erklärbaren KI-Modells. Wählen Sie den Isolation Forest-Algorithmus, da er anormale Migrationsaktivitäten effizient erkennt, ohne dass markierte Trainingsdaten erforderlich sind. Verwenden Sie den Algorithmus, um abnormale Beobachtungen durch rekursive zufällige Partitionierung des Merkmalsraums zu isolieren.
3. Wenden Sie den SHAP TreeExplainer an, um den Beitrag jedes Sicherheitsmerkmals zur Anomalievorhersage zu quantifizieren und die Transparenz des Sicherheitsüberwachungsprozesses zu verbessern.
4. Konfigurieren Sie das Anomalieerkennungsmodell. Initialisieren Sie ein Isolation Forest-Modell. Konfigurieren Sie das Modell mithilfe der in Tabelle 4 aufgeführten Parameter.
5. Definieren Sie die mathematische Formulierung zur Berechnung der Anomaliebewertungen und zur Erklärung der Merkmalsbeiträge.
  1. Definieren Sie den Sicherheitsmerkmalsvektor für jedes Migrationsereignis wie in Gleichung 1 dargestellt.
    x_i = [x₁ , x₂, x₃, x₄, x₅ ] (1)
    wobei x₁ die Zugriffshäufigkeit, x₂ die Anzahl fehlgeschlagener Anmeldungen, x₃ die Häufigkeit von IP-Adressänderungen, x₄ die Sitzungsdauer und x₅ das Datentransfervolumen bezeichnet.
  2. Extrahieren Sie die Sicherheitsmerkmale aus den Migrationsprotokollen. Normalisieren Sie alle Merkmalswerte vor dem Modelltraining. Berechnen Sie die Isolation Forest-Anomaliebewertung für jedes Migrationsereignis mithilfe von Gleichung 2.
    (2)
    wobei S(X,n) die Anomaliebewertung der Beobachtung X, X den Sicherheitsmerkmalsvektor, E(h(X)) die erwartete Pfadlänge der Beobachtung X, c(n) die durchschnittliche Pfadlänge erfolgloser Suchvorgänge in einem binären Suchbaum und n die Gesamtanzahl der Trainingsstichproben bezeichnet. Der Normalisierungsfaktor wird wie in Gleichung 3 dargestellt berechnet.
    (3)
    wobei H(n-1) die (n-1)-te harmonische Zahl bezeichnet.
  3. Klassifizieren Sie Migrationsereignisse mit Anomaliebewertungen über dem vordefinierten Entscheidungsschwellenwert als anormal.
  4. Wenden Sie SHAP (SHapley Additive exPlanations) an, um den Beitrag jedes Sicherheitsmerkmals zur Anomalievorhersage zu erklären. Berechnen Sie den SHAP-Wert für Merkmal i mithilfe von Gleichung 4.
    (4)
    wobei (F) die vollständige Merkmalsmenge, (S) eine Teilmenge der Merkmale und (f(.)) die Isolation Forest-Vorhersagefunktion bezeichnet.
  5. Berechnen Sie die globale Merkmalswichtigkeit, indem Sie den mittleren absoluten SHAP-Wert mithilfe von Gleichung 5 ermitteln.
    (5)
    wobei (N) die Gesamtanzahl der Migrationsereignisse bezeichnet.
  6. Ordnen Sie die Sicherheitsmerkmale entsprechend ihren mittleren absoluten SHAP-Werten. Erzeugen Sie SHAP-Zusammenfassungsdiagramme, Abhängigkeitsdiagramme und Force-Plots, um globale und lokale Merkmalswichtigkeit zu visualisieren.
6. Trainieren Sie das Isolation Forest-Modell mithilfe des Trainingsdatensatzes. Bewerten Sie die Modellleistung mithilfe des Validierungsdatensatzes. Ändern Sie gegebenenfalls die Kontaminations-Schwellenwerte. Speichern Sie die Konfiguration des am besten abschneidenden Modells. Validieren Sie die Modellleistung. Bestimmen Sie Metriken wie Genauigkeit, Präzision, Sensitivität, F1-Score und ROC-AUC. Notieren Sie die Modellleistungskennzahlen für den späteren Vergleich.
Wenden Sie das trainierte Modell an, um abnormale Migrationsereignisse zu identifizieren und verdächtige Aktivitäten zu klassifizieren.
1. Führen Sie die Anomalievorhersage durch. Wenden Sie das trainierte Isolation Forest-Modell auf den Testdatensatz an. Generieren Sie Anomaliebewertungen für alle Migrationsereignisse.
2. Identifizieren Sie verdächtige Aktivitäten. Bestimmen Sie, ob Migrationsereignisse typisch oder anormal sind. Markieren Sie Ereignisse, die vordefinierte Anomalieschwellen überschreiten, als verdächtig. Erstellen Sie Anomaliedokumentationen zur Sicherheitsüberprüfung.
3. Der Abschluss des Anomalieerkennungsprozesses liefert Anomaliebewertungen, kennzeichnet Migrationsereignisse als normal oder anormal, misst die Erkennungseffektivität durch ROC-Analyse und identifiziert wichtige Sicherheitsanomalien. Beispiele für Ausgaben, die durch den entwickelten Prozess erzeugt wurden, sind in Abbildung 4 dargestellt.
4. Kategorisieren Sie die erkannten Anomalien. Klassifizieren Sie Anomalien in Authentifizierungsanomalien, Netzwerkanomalien, Sitzungsanomalien und Datentransferanomalien. Behalten Sie die Anomaliekennzeichnungen für die Erklärungsanalyse bei.
5. Bewerten Sie die Erkennungsleistung. Überprüfen Sie die bisher aufgezeichneten Sicherheitsvorfälle. Bewerten Sie dann anhand dieser Referenz die erkannten Anomalien und ermitteln Sie, welche davon echte Anomalien waren. Bestimmen Sie die Anomalieerkennungsrate und die Rate falsch positiver Ergebnisse. Erstellen Sie eine offizielle Dokumentation der Erkennungsgenauigkeit, um Reproduzierbarkeit zu gewährleisten.
Erzeugen Sie SHAP-basierte Erklärungen, um den Beitrag einzelner Sicherheitsmerkmale zu Anomalievorhersagen zu interpretieren.
1. Konfigurieren Sie die SHAP-Umgebung. Laden Sie das trainierte Isolation Forest-Modell. Initialisieren Sie den SHAP TreeExplainer. Überprüfen Sie die erfolgreiche Integration zwischen dem Anomalieerkennungsmodell und dem Erklärbarkeitsframework.
2. Wählen Sie Hintergrundstichproben aus. Wählen Sie zufällig 1.000 repräsentative Stichproben aus dem Trainingsdatensatz aus. Verwenden Sie die ausgewählten Stichproben als SHAP-Hintergrunddatensatz. Berechnen Sie SHAP-Werte. Ermitteln Sie SHAP-Werte für alle erkannten Anomalien. Messen Sie die individuellen Merkmalsbeiträge zur Anomalievorhersage. Speichern Sie die SHAP-Ausgaben für weitere Analysen.
3. Erzeugen Sie globale Erklärungen. Erstellen Sie SHAP-Zusammenfassungsdiagramme, die die gesamte Merkmalswichtigkeit zeigen. Erzeugen Sie SHAP-Balkendiagramme basierend auf den mittleren absoluten SHAP-Werten. Erstellen Sie SHAP-Abhängigkeitsdiagramme für stark einflussreiche Merkmale.
4. Erzeugen Sie lokale Erklärungen. Wählen Sie repräsentative anormale Migrationsereignisse aus. Erstellen Sie SHAP-Force-Plots und Wasserfall-Diagramme. Visualisieren Sie die für jede Anomalie verantwortlichen Merkmalsbeiträge.
5. Repräsentative Erklärbarkeitsausgaben, die während des Interpretationsprozesses erzeugt wurden, sind in Abbildung 5 dargestellt. Diese Visualisierungen zeigen die globale Merkmalswichtigkeit, die Rangfolge der Merkmalsbeiträge, Abhängigkeitsbeziehungen zwischen einflussreichen Sicherheitsmerkmalen und lokale Erklärungen für einzelne Migrationsanomalien.
6. Ordnen Sie Sicherheitsmerkmale. Berechnen Sie die mittleren absoluten SHAP-Werte für alle Merkmale. Ordnen Sie die Merkmale entsprechend ihrem Beitrag zur Anomalieerkennung. Identifizieren Sie die einflussreichsten Sicherheitsindikatoren, die die Migrationssicherheit beeinflussen. Tabelle 5 fasst die SHAP-basierten Rangfolgen der Merkmalswichtigkeit zusammen.
7. Überprüfen Sie die Konsistenz der Erklärungen. Wiederholen Sie die SHAP-Analyse in fünf unabhängigen experimentellen Durchläufen. Messen Sie Stabilität und Konsistenz der Erklärungen. Stellen Sie sicher, dass die Merkmalsrangfolgen über wiederholte Analysen hinweg stabil bleiben.
  HINWEIS: Tabelle 6 enthält häufig auftretende Probleme bei der erklärbaren Anomalieerkennung und empfohlene Korrekturmaßnahmen.

Merkmal	Beschreibung	Zweck
Zugriffshäufigkeit	Anzahl der Benutzerzugriffsanfragen während der Migration	Erkennung von abnormalem Zugriffsverhalten
Anzahl fehlgeschlagener Anmeldungen	Anzahl misslungener Authentifizierungsversuche	Identifizierung von Brute-Force- oder unberechtigten Zugriffsversuchen
IP-Adressänderungen	Häufigkeit von Änderungen der Quell-IP-Adresse	Erkennung verdächtigen Netzwerkverhaltens
Sitzungsdauer	Länge der Benutzersitzungen während der Migration	Identifizierung abnormer Sitzungsaktivitäten
Datenübertragungsvolumen	Menge der während der Migration übertragenen Daten	Erkennung ungewöhnlicher Datenbewegungen oder Datenexfiltration

Tabelle 3: Sicherheitstelemetriefunktionen, die für die erklärbare Anomalieerkennung verwendet wurden. Die Tabelle zeigt die Sicherheitsmerkmale, die während der Datenbankmigration überwacht wurden, ihre Bedeutung, die Art und Weise, wie sie gemessen wurden, sowie ihren Beitrag zur Anomalieerkennung und Erklärbarkeitsanalyse.

Parameter	Wert	Beschreibung
Algorithmus	Isolation Forest	Anomalie-Erkennungsmodell
n_estimators	100	Anzahl der Isolationsbäume
contamination	0,02	Erwarteter Anteil an Anomalien
max_samples	Automatisch	Pro Baum verwendete Stichproben
random_state	42	Zufallsstartwert für Reproduzierbarkeit
bootstrap	Falsch	Stichprobenziehung ohne Zurücklegen
Trainingsmenge	70 %	Trainingsdaten für das Modell
Validierungsmenge	15 %	Validierung der Hyperparameter
Testmenge	15 %	Endgültige Modellbewertung

Tabelle 4: Konfiguration des Isolations-Forst-Modells zur Erkennung von Anomalien während der sicheren Datenbankmigration. Diese Tabelle beschreibt die Hyperparameter-Konfigurationen des Isolations-Forst-Modells für das Training, beispielsweise wie der Datensatz aufgeteilt wurde, das Ausmaß der Kontamination, die Anzahl der Schätzer, den Zufallsstartwert und den Aufbau der Evaluierung.

figure-protocol-8
Abbildung 4: Beispielhafte Ergebnisse des Anomalieerkennungs-Frameworks während der sicheren Cloud-Datenmigration. (A) Verteilung der Anomalie-Scores des Isolation Forest mit Anomalie-Schwelle. (B) Klassifizierung von Migrationsereignissen in normale und anomale Kategorien. (C) ROC-Kurve (Receiver Operating Characteristic), die die Leistung des Isolation-Forest-Modells zeigt (AUC = 0.97 ± 0.01). (D) Beispielhafte anomale Migrationsereignisse mit Anomalie-Scores, vorhergesagten Labels, einflussreichen Sicherheitsmerkmalen und Anomaliekategorien. Diese Abbildung wurde von den Autoren mit Python 3.11 (Matplotlib 3.9) erstellt und mit Microsoft PowerPoint (Microsoft 365) formatiert. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-protocol-9
Abbildung 5: Beispiele für SHAP-basierte Erklärbarkeitsausgaben, die während der Anomalie-Interpretation erzeugt wurden. (A) SHAP-Zusammenfassungsdiagramm, das die global wichtigsten Merkmale hervorhebt. (B) Rangfolge der Sicherheitsmerkmale basierend auf ihrem mittleren absoluten SHAP-Wert. (C) SHAP-Abhängigkeitsdiagramme, die zeigen, wie die Anzahl fehlgeschlagener Anmeldungen und das Datentransfervolumen die Anomalievorhersage beeinflussen. (D) SHAP-Kraftdiagramm, das eine lokale Erklärung für ein typisches abnormale Migrationsereignis bietet. Diese Diagramme verdeutlichen die globale und lokale Interpretierbarkeit des vorgeschlagenen Anomalieerkennungsmodells. Diese Abbildung wurde von den Autoren mit Python 3.11 (Matplotlib 3.9) erstellt und mit Microsoft PowerPoint (Microsoft 365) formatiert. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Rang	Merkmalsname	Mittlerer absoluter SHAP-Wert	Interpretation
1	Anzahl fehlgeschlagener Anmeldungen	0.352	Wichtigster Indikator für anomales Verhalten
2	Datentransfervolumen	0.287	Deutlicher Beitrag zur Anomalieerkennung
3	IP-Adresswechsel	0.221	Weist auf verdächtiges Netzwerkverhalten hin
4	Sitzungsdauer	0.184	Im Zusammenhang mit abnormalen Benutzersitzungen
5	Zugriffshäufigkeit	0.156	Spiegelt ungewöhnliche Zugriffsmuster wider

Tabelle 5: SHAP-Wichtigkeitswerte der Sicherheitstelemetriedaten. Die Tabelle zeigt die Rangfolge der Sicherheitsmerkmale basierend auf ihren mittleren absoluten SHAP-Werten und skizziert deren jeweiligen Beitrag zur Anomalievorhersage.

Problem	Mögliche Ursache	Empfohlene Lösung
Nur wenige Anomalien erkannt	Der Kontaminationsparameter ist zu niedrig	Erhöhen Sie die Kontaminationsschwelle und trainieren Sie das Modell erneut.
Hohe Rate falsch positiver Ergebnisse	Lauter oder inkonsistenter Migrationslog	Bereinigen Sie die Log-Daten und normalisieren Sie die Sicherheitsmerkmale vor dem Training des Modells.
Instabile SHAP-Erklärungen	Unzureichende Hintergrundstichproben	Erhöhen Sie die Anzahl der repräsentativen Hintergrundstichproben, die von SHAP verwendet werden.
Geringe Genauigkeit bei der Anomalieerkennung	Ungleichgewicht der Merkmale oder unzureichende Vorverarbeitung	Wenden Sie Verfahren zur Normalisierung, Ausgewichtung und Qualitätskontrolle der Merkmale an.
Langsame Modellkonvergenz	Großer Datensatz oder begrenzte Rechenressourcen	Optimieren Sie die Hyperparameter oder verwenden Sie GPU-/Parallelverarbeitung.
Kommunikationsfehler	Netzwerkinstabilität während der Überwachung	Überprüfen Sie die sicheren Kommunikationskanäle und wiederholen Sie die Synchronisierung.
Fehlende Sicherheitsmerkmale	Unvollständige Log-Erfassung	Überprüfen Sie die Log-Quellen vor der Merkmalsextraktion und generieren Sie den Merkmalsdatensatz erneut.

Tabelle 6: Leitfaden zur Fehlerbehebung bei der sicheren Datenbankmigration auf Basis Erklärbarer Künstlicher Intelligenz. Diese Tabelle bietet eine Übersicht typischer Implementierungsprobleme, möglicher Ursachen, diagnostischer Hinweise, empfohlener Maßnahmen und erwarteter Ergebnisse als Folge der Protokollausführung und Reproduzierbarkeit.

7. Leistungsbeurteilung

HINWEIS: Dieser Abschnitt beschreibt das experimentelle Vorgehen zum Vergleich des Baseline-Migrationsframeworks mit dem vorgeschlagenen Zero-Trust-Migrationsframework auf Basis erklärbarer KI. Die Leistungsbewertung umfasst Sicherheit, Anomalieerkennungsfähigkeit, Migrationseffizienz und statistische Validierung unter identischen Versuchsbedingungen.

Konfigurieren Sie sowohl die Baseline- als auch die vorgeschlagene Umgebung unter identischen Bedingungen, um einen fairen Leistungsvergleich zu ermöglichen.
1. Konfigurieren Sie die herkömmliche Migrationsumgebung. Richten Sie langfristige statische Anmeldedaten mit einer Gültigkeitsdauer von mehr als 24 Stunden ein. Aktivieren Sie öffentliche Netzwerkendpunkte für den Datenbankzugriff. Deaktivieren Sie KI-basierte Anomalieerkennung und Erklärbarkeitsmechanismen. Überwachen Sie Migrationsaktivitäten manuell mithilfe herkömmlicher Sicherheitsprotokolle. Erfassen Sie Migrationsereignisse zur späteren Leistungsvergleichung.
2. Konfigurieren Sie das Zero-Trust-Migrationsframework. Aktivieren Sie zeitlich begrenzte Least-Privilege-Zugangsdaten mit automatischer Ablaufzeit nach Abschluss der Migration. Deaktivieren Sie alle öffentlichen Netzwerkendpunkte. Aktivieren Sie die Kommunikation über private Netzwerke unter Verwendung sicherer Kanäle.
3. Stellen Sie das trainierte Isolation Forest-Modell zur Anomalieerkennung bereit. Aktivieren Sie den SHAP TreeExplainer zur Modellinterpretation. Konfigurieren Sie eine automatisierte Sicherheitsüberwachung während des gesamten Migrationsprozesses. Überprüfen Sie vor der Ausführung die sichere Kommunikation zwischen allen Migrationskomponenten.
Führen Sie wiederholte Migrationsversuche unter kontrollierten Bedingungen durch, um die Reproduzierbarkeit des Frameworks zu bewerten.
1. Führen Sie ein Migrationsexperiment durch. Führen Sie zehn unabhängige Migrationsexperimente sowohl für die Baseline- als auch für die vorgeschlagenen Umgebungen durch. Halten Sie während aller Experimente identische Hardware-, Software- und Netzwerkkonfigurationen aufrecht.
2. Migrieren Sie 10 GB Gesundheitsdaten während jedes experimentellen Durchlaufs. Wiederholen Sie alle Experimente unter identischen Arbeitslastbedingungen. Erfassen Sie während jedes Experiments Sicherheitsereignisse, Migrationsprotokolle, Ausgaben der Anomalieerkennung sowie Ausführungszeiten.
3. Überprüfen Sie die Integrität der Migration. Berechnen Sie SHA-256-Prüfsummen vor und nach der Migration. Verifizieren Sie die vollständige Datenintegrität nach jedem Migrationsexperiment. Dokumentieren Sie die Ergebnisse der Prüfsummenvalidierung.
Berechnen Sie quantitative Sicherheits-, Migrations- und Anomalieerkennungsmetriken zur vergleichenden Bewertung.
1. Sicherheitsleistung messen. Dauer der Anmeldeinformationen-Exposition messen. Anzahl der exponierten Anmeldeinformationen während der Migration berechnen. Zeit zur Vorfallerkennung messen. Dauer der Exposition im öffentlichen Netzwerk erfassen.
2. Bewerten Sie die Leistung der Anomalieerkennung. Berechnen Sie die Genauigkeit der Anomalieerkennung, Präzision, Recall, F1-Score und Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC). Evaluierung der Migrationsleistung. Messung der gesamten Migrationslatenz und Berechnung des Migrationsdurchsatzes. Erfassung des durch Sicherheitsmechanismen verursachten Kommunikationsaufwands.
3. Führen Sie eine statistische Validierung durch. Berechnen Sie den Mittelwert und die Standardabweichung für alle Leistungsmetriken. Berechnen Sie 95 % Konfidenzintervalle. Führen Sie gepaarte Student-t-Tests durch, um den Basisrahmen und den vorgeschlagenen Rahmen zu vergleichen. Berücksichtigen Sie statistische Signifikanz bei p < 0,05. < 0,05. Repräsentative Ergebnisse der Leistungsbewertung, die während des experimentellen Vergleichs erzeugt wurden, sind dargestellt in Abbildung 6.
4. Tabelle 7 fasst den quantitativen Leistungsvergleich zwischen dem Baseline- und dem vorgeschlagenen Migrationsframework zusammen.
  Tabelle 8 fasst häufige Implementierungsprobleme bei der sicheren Datenbankmigration sowie deren mögliche Ursachen und empfohlene Gegenmaßnahmen zusammen.

figure-protocol-10
Abbildung 6: Leistungsvergleich zwischen dem Baseline-Migrationsframework und dem vorgeschlagenen Zero-Trust-, erklärbaren KI-gestützten sicheren Cloud-Migrationsframework. (A) Vergleich der Dauer der Anmeldeinformationen-Exposition unter Verwendung langfristiger und zeitlich begrenzter Least-Privilege-Anmeldeinformationen. (B) Vergleich der Leistungskennzahlen zur Anomalieerkennung, einschließlich Genauigkeit, Präzision, Rückruf, F1-Score und AUC. (C) Vergleich der Migrationslatenz über zehn unabhängige Experimentdurchläufe hinweg, wobei der Anstieg der Latenz unterhalb der vorab definierten Akzeptanzschwelle blieb. (D) Statistischer Vergleich der wichtigsten Leistungskennzahlen mittels gepaarter Student-t-Tests, dargestellt als mittlere Unterschiede mit 95 %-Konfidenzintervallen. Die Fehlerbalken repräsentieren die 95 %-Konfidenzintervalle aus zehn unabhängigen Experimentdurchläufen. Diese Abbildung wurde von den Autoren mit Python 3.11 (Matplotlib 3.9) erstellt und mit Microsoft PowerPoint (Microsoft 365) formatiert. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Leistungskennzahl	Basisrahmenwerk (Mittelwert ± SD)	Vorgeschlagenes Rahmenwerk (Mittelwert ± SD)	Verbesserung	95 % Konfidenzintervall	p-Wert
Dauer der Anmeldeinformationen-Exposition (h)	24,70 ± 1,32	0,42 ± 0,18	98,3 % Reduktion	23,6–24,9	<0,001
Genauigkeit bei der Anomalieerkennung (%)	72,4 ± 2,1	94,6 ± 1,3	+22,2 %	20,8–23,5	<0,001
Präzision (%)	68,1 ± 2,5	92,7 ± 1,5	+24,6 %	23,1–26,0	<0,001
Erinnerung (%)	70,3 ± 2,4	93,1 ± 1,6	+22,8 %	21,4–24,2	<0,001
F1-Score (%)	69,2 ± 2,2	92,9 ± 1,4	+23,7 %	22,3–25,0	<0,001
AUC	0,78 ± 0,03	0,97 ± 0,01	+0,19	0,17–0,21	<0,001
Migrationslatenz (min)	87,6 ± 3,2	97,4 ± 2,9	11,2 % Mehraufwand	8,9–10,7	0,002
Datensicherheit (%)	99,8	100,0	0,2 % Verbesserung	N/V	0,031
Exposition gegenüber öffentlichem Netzwerk	Aktiviert	Eliminiert	100 % eliminiert	N/V	<0,001

Tabelle 7: Vergleich der Baseline- und der vorgeschlagenen sicheren Datenbank-Migrationsframeworks hinsichtlich der Leistung. Die Tabelle zeigt die Dauer der Anmeldeinformationen-Exposition, die Wirksamkeit der Anomalieerkennung, die Migrationslatenz, die Datenintegrität sowie Sicherheitsverbesserungen, die während der Protokollvalidierung quantitativ bewertet wurden.

Problem	Mögliche Ursache	Empfohlene Lösung
Authentifizierungsfehler bei der Migration	Abgelaufene oder ungültige temporäre Anmeldeinformationen	Temporäre Anmeldeinformationen erneut generieren und IAM-Richtlinien vor dem Neustart der Migration überprüfen.
Hohe Migrationslatenz	Netzwerküberlastung oder unzureichende Bandbreite	Netzwerk-Routing optimieren, Migration in Zeiten geringer Auslastung planen und Endpunkt-Konnektivität überprüfen.
Falsch-positive Anomaliealarme	Unangemessene Kontaminations-Schwelle des Isolation Forest	Kontaminationsparameter mithilfe des Validierungsdatensatzes anpassen und Modell erneut trainieren.
Instabile SHAP-Erklärungen	Unzureichende oder nicht repräsentative Hintergrundstichproben	Stichprobengröße für den SHAP-Hintergrund erhöhen und repräsentative Stichprobenziehung sicherstellen.
Datenintegritätsabweichung	Unterbrochene Migration oder beschädigter Datenübertrag	Migration erneut ausführen, nachdem SHA-256-Prüfsummen sowie Konsistenz von Quelle und Ziel überprüft wurden.
Fehlgeschlagene sichere Endpunktverbindung	Firewall- oder TLS-Konfigurationsfehler	SSL/TLS-Zertifikate, Firewall-Regeln und Konfiguration privater Endpunkte überprüfen.
Geringe Genauigkeit bei der Anomalieerkennung	Unvollständige Merkmalsextraktion oder schlechte Vorverarbeitung	Merkmalserstellung überprüfen, Sicherheitsmerkmale normalisieren und Modell erneut trainieren.
Probleme mit der Modellkonvergenz	Unpassende Hyperparameter	Lernparameter anpassen und Modellleistung vor der Bereitstellung validieren.

Tabelle 8: Fehlerbehebungsanleitung für die sichere Migration von Gesundheitsdatenbanken. Die Tabelle listet häufige Migrationsfehler, ihre möglichen Ursachen, empfohlene Korrekturmaßnahmen und erwartete Ergebnisse auf, um eine zuverlässige Durchführung des sicheren Migrationsprotokolls sicherzustellen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Experimenteller Überblick

Das vorgeschlagene erklärbare Künstliche-Intelligenz-(XAI-)basierte sichere Cloud-Datenmigrationsprotokoll wurde anhand eines synthetischen Gesundheitsdatensatzes evaluiert, der etwa 20 Millionen elektronische Patientenakten (EHR) umfasst, verteilt auf 28 relationale Datenbanktabellen mit einem Gesamtvolumen von 10 GB. Die Experimente wurden in einer Amazon-Web-Services-(AWS-)Cloud-Umgebung durchgeführt, unter Verwendung von Amazon RDS PostgreSQL 16, privatem Virtual Private Cloud (VPC)-Netzwerk, TLS-1.3-verschlüsselter Kommunikation und zentralisierten Überwachungsdiensten. Zehn unabhängige Migrationsversuche wurden unter identischen Hardware-, Software-, Netzwerk- und Lastbedingungen durchgeführt, um Reproduzierbarkeit sicherzustellen und experimentelle Verzerrungen zu minimieren. Alle angegebenen Leistungswerte stellen den Mittelwert der zehn Experimentdurchläufe dar. Die statistische Signifikanz wurde mittels gepaarter Studentscher t-Tests bewertet, nachdem die Normalverteilung zuvor mittels des Shapiro-Wilk-Tests verifiziert worden war (p < 0.05).

Ergebnisse der Datensatzvorbereitung und -validierung

Der synthetische Gesundheitsdatensatz wurde gemäß den Protokollvorgaben erfolgreich generiert. Die Datenvalidierung bestätigte die erfolgreiche Erstellung von etwa 20.000.000 patientenbezogenen Datensätzen, verteilt auf 28 relationale Tabellen, einschließlich Patientendemografie, klinische Kontakte, Diagnosen, Laborberichte, Medikationen, Bilddaten-Metadaten, Abrechnungsinformationen und Arztakten. Die Eindeutigkeit der Primärschlüssel, die Fremdschlüsselbeziehungen sowie die referenzielle Integrität wurden vor der Migration erfolgreich überprüft. Etwa 5 % der Dateneinträge wurden absichtlich fehlend belassen, um realistische elektronische Patientenakten-Datenbanken zu simulieren, und anschließend während der Datenaufbereitung verarbeitet. Die Qualitätsbewertung des Datensatzes zeigte eine erfolgreiche Schemavalidierung, akzeptable Wertebereiche und vollständige referenzielle Integrität. Die kumulative Validierungsfehlerrate des Datensatzes blieb unter 0,1 %, was darauf hinweist, dass der generierte Datensatz für sichere Migrationsversuche geeignet war, wie in Tabelle 1 dargestellt.

Ergebnisse der Systemarchitektur-Implementierung

Die sichere Migrationsarchitektur wurde erfolgreich bereitgestellt und vor der Ausführung des Migrationsworkflows validiert. Alle Cloud-Ressourcen werden innerhalb eines isolierten AWS Virtual Private Cloud über private Subnetze, Sicherheitsgruppen und identitätsbasierte Zugriffsrichtlinien betrieben. Die Datenbankkommunikation wurde mittels TLS-1.3-Verschlüsselung geschützt, und die Migrationsanmeldeinformationen wurden gemäß der zeitlich begrenzten Least-Privilege-Richtlinie dynamisch generiert. Authentifizierungsprotokolle, Migrationsprotokolle, Datenbankereignisse, Netzwerkereignisse und Sicherheitsaudit-Protokolle wurden kontinuierlich über Amazon CloudWatch erfasst. Während aller experimentellen Durchläufe fand die Kommunikation ausschließlich über private Netzwerkendpunkte statt, und es wurden keine öffentlich zugänglichen Datenbankdienste erkannt. Die kontinuierliche Überwachung zeigte eine stabile Kommunikation zwischen allen Migrationskomponenten ohne unerwartete Dienstunterbrechungen oder Authentifizierungsfehler, wie in Abbildung 2 dargestellt.

Ergebnisse des sicheren Migrationsworkflows

Bedrohungsmodellierung

Das vordefinierte Bedrohungsmodell identifizierte erfolgreich Szenarien des Diebstahls von Anmeldeinformationen, interner Angriffe, Replay-Angriffe, Man-in-the-Middle-Angriffe, Manipulationen des Schemas sowie der Rechteerweiterung. Die implementierten Sicherheitsmaßnahmen minderten alle identifizierten Bedrohungen vor der Durchführung der Migration wirksam, wie in Tabelle 2 zusammengefasst.

Übertragung des Datenbankschemas

Die Migration des Datenbankschemas wurde in allen experimentellen Durchläufen erfolgreich abgeschlossen. Alle relationalen Tabellen, Indizes, gespeicherten Prozeduren, Einschränkungen, Metadaten, Primärschlüssel und Fremdschlüssel wurden ohne strukturelle Inkonsistenzen oder Schema-Abweichungen übertragen.

Sichere Datenmigration

Der Migrationsprozess wurde in allen zehn experimentellen Durchläufen erfolgreich abgeschlossen, ohne Unterbrechungen des Workflows oder Transaktionsfehler. Während des gesamten Migrationsprozesses wurde eine sichere Datenübertragung über verschlüsselte Kommunikationskanäle hinweg privater Netzwerkendpunkte aufrechterhalten.

Validierung der Migration

Die Validierung nach der Migration bestätigte eine vollständige Konsistenz zwischen der Quell- und der Ziel-Datenbank. Die SHA-256-Prüfsummenüberprüfung ergab eine 100-prozentige Übereinstimmung bei allen migrierten Tabellen, was zeigt, dass während der Übertragung keine Datenbeschädigung aufgetreten ist. Die Überprüfung der Datensatzanzahlen bestätigte die erfolgreiche Migration aller 20 Millionen Datensätze ohne Verlust, Duplikation oder Abschneidung. Die Validierung von Primärschlüsseln, Fremdschlüsseln, Indizes, Schemadefinitionen und Datenbankbeschränkungen bestätigte die vollständige Erhaltung der Datenbankintegrität. Während des gesamten Evaluationszeitraums wurden keine Schema-Abweichungen, Rollback-Ereignisse, Transaktionsfehler oder Migrationsinkonsistenzen beobachtet. Die Quantifizierung der Integritätsergebnisse ist in Tabelle 9 angegeben.

Validierungsmetrik	Beobachtetes Ergebnis	Akzeptanzkriterium	Status
Insgesamt migrierte Gesundheitsakten	20.000.000	20.000.000	BESTANDEN
Migrierte relationale Datenbanktabellen	28	28	BESTANDEN
Migrierte Datensatzgröße	10 GB	10 GB	BESTANDEN
SHA-256-Prüfsummenverifikation	100 % Übereinstimmung	100 % Übereinstimmung	BESTANDEN
Konsistenz der Datensatzanzahl	100 %	100 %	BESTANDEN
Schema-Validierung	Alle Tabellen validiert	Keine Schemafehler	BESTANDEN
Integrität der Primärschlüssel	Verifiziert	Keine Verstöße	BESTANDEN
Integrität der Fremdschlüssel	Verifiziert	Keine Verstöße	BESTANDEN
Rate an Datenkorruption	0 %	0 %	BESTANDEN
Schema-Drift	Nicht beobachtet	Keine	BESTANDEN
Rücksetzereignisse	0	0	BESTANDEN
Migrationsabschlussrate	100 %	100 %	BESTANDEN

Tabelle 9: Ergebnisse der Datenintegritätsprüfung nach sicherer Datenbankmigration. Sie zeigt die wichtigsten Metriken zur quantitativen Überprüfung der Integrität. Dazu gehören die Überprüfung der Übereinstimmung der SHA-256-Hashsummen, die Konsistenz der Datensatzanzahl, die Validierung des Schemas, die Einhaltung von Schlüsselbedingungen, der Abschluss der Migration, Rollback-Ereignisse sowie der Gesamterfolg von zehn separaten Migrationsexperimenten.

Tabelle 9 fasst die Ergebnisse der quantitativen Überprüfung der Datenintegrität zusammen, die nach der sicheren Migration der Daten in die Cloud erhalten wurden. Die Ergebnisse zeigten, dass alle Akzeptanzkriterien für die Migration in zehn unabhängigen experimentellen Durchläufen erfüllt wurden.

Verfestigung nach der Migration

Die zeitlich begrenzte Verwaltung von Berechtigungsnachweisen mit minimalem Rechteumfang verbesserte die Sicherheit der Anmeldeinformationen im Vergleich zum herkömmlichen Migrationsframework erheblich. Die durchschnittliche Lebensdauer der Anmeldeinformationen verringerte sich von 24,7 ± 1,3 h in der Baseline-Umgebung auf 0,42 ± 0,18 h im vorgeschlagenen Framework, was einer Reduktion der Expositionszeit der Anmeldeinformationen um 98,3 % entspricht. Temporäre Anmeldeinformationen wurden unmittelbar nach Abschluss der Migration widerrufen, und während keines der Experimente wurden unbefugte Authentifizierungsversuche mit abgelaufenen Anmeldeinformationen festgestellt. Das Entfernen langfristig gültiger Anmeldeinformationen verringerte die potenzielle Angriffsfläche, während eine unterbrechungsfreie Migrationsleistung beibehalten wurde, wie in Abbildung 3 dargestellt.

Ergebnisse des Erklärbarkeits-Monitorings durch KI

Extraktion von Sicherheitsmerkmalen

Sicherheitstelemetrie wurde erfolgreich von Datenbankservern, Authentifizierungsdiensten, Anwendungsservern und Netzwerküberwachungssystemen erfasst. Die Merkmalsextraktion erzeugte normalisierte Messungen der Zugriffshäufigkeit, der Anzahl fehlgeschlagener Anmeldungen, von IP-Adressänderungen, der Sitzungsdauer und des Datentransfervolumens zur Anomalieerkennung, wie in Tabelle 3 beschrieben.

Leistung des Anomalieerkennungsmodells

Das Isolationswald-Modell zeigte in 10 unabhängigen Experimenten eine robuste Leistung bei der Anomalieerkennung. Die durchschnittliche Genauigkeit, Präzision, Sensitivität, der F1-Wert und die Fläche unter der Kurve der Receiver-Operating-Characteristic (AUC) betrugen jeweils 94,6 ± 1,3 %, 92,7 ± 1,5 %, 93,1 ± 1,6 %, 92,9 ± 1,4 % und 0,97 ± 0,01. Die Modellkonfiguration folgte den in Tabelle 4 zusammengefassten Parametern.

Erkennung von Sicherheitsanomalien

Der vorgeschlagene Überwachungsrahmen reduzierte die durchschnittliche Zeit zur Erkennung von Vorfällen von mehr als 24 h in der Baseline-Umgebung auf etwa 15 Minuten. Falsch-positive Erkennungen blieben unter 3 %, und während des gesamten Evaluationszeitraums blieb kein kritischer Migrationsfehler unentdeckt. Repräsentative Ausgaben der Anomalieerkennung sind in Abbildung 4 dargestellt.

Erklärbarkeitsanalyse

Der SHAP-TreeExplainer erzeugte interpretierbare Ergebnisse zur Merkmalszuschreibung für alle erkannten Anomalien. Zum Berechnen der SHAP-Werte wurde ein Hintergrunddatensatz verwendet, der 1.000 repräsentative Trainingsstichproben enthielt. Die globale Erklärungsanalyse identifizierte durchgängig die Anzahl fehlgeschlagener Anmeldungen, das Datentransfervolumen, Änderungen der IP-Adresse, die Sitzungsdauer und die Zugriffshäufigkeit als die einflussreichsten Merkmale, die zu Anomalievorhersagen beitrugen. Wiederholte Erklärlichkeitsanalysen über zehn experimentelle Durchläufe ergaben nahezu identische Rangfolgen der Merkmale, was eine stabile Modellinterpretation belegt. Lokale SHAP-Erklärungen identifizierten zudem die Hauptfaktoren, die zu einzelnen Anomalievorhersagen beitrugen, und erhöhten so die Transparenz des Sicherheitsüberwachungsprozesses. Repräsentative Ausgaben der Erklärbarkeit sind in Abbildung 5 dargestellt, während die entsprechenden Rangfolgen der Merkmalswichtigkeit in Tabelle 5 zusammengefasst sind.

Ergebnisse der Leistungsbewertung

Der Vergleich mit dem Baseline-Migrationsframework zeigte deutliche Verbesserungen bei mehreren Sicherheitskennzahlen. Die Dauer der Anmeldedaten-Exposition verringerte sich um 98,3 %, die Genauigkeit der Anomalieerkennung stieg von 72,4 ± 2,1 % auf 94,6 ± 1,3 %, und öffentlich zugängliche Migrationsendpunkte gingen von sechs auf null zurück. Die durchschnittliche Zeit zur Erkennung von Vorfällen verkürzte sich deutlich, während die vollständige Integrität der Migration während der gesamten Evaluierung gewahrt blieb. Obwohl zusätzliche Sicherheitsmaßnahmen die Migrationslatenz um 11,2 ± 2,9 % erhöhten, blieb der beobachtete Anstieg unterhalb der vorab definierten Akzeptanzschwelle von 15 %, was darauf hindeutet, dass die Sicherheitsverbesserungen mit nur geringen Auswirkungen auf die Migrations-Effizienz erreicht wurden. Stellvertretende Ergebnisse der Leistungsbewertung sind in Abbildung 6 dargestellt, und der quantitative Vergleich zwischen dem Baseline- und dem vorgeschlagenen Framework ist in Tabelle 7 zusammengefasst.

Statistische Validierung und Reproduzierbarkeit

Die statistische Analyse zeigte signifikante Verbesserungen bei der Dauer der Anmeldedaten-Exposition, der Genauigkeit der Anomalieerkennung, der Zeit zur Erkennung von Vorfällen und der Migrationslatenz zwischen dem Baseline- und dem vorgeschlagenen Framework (gepaarter Student-t-Test, p < 0.05). Die berechneten 95 %-Konfidenzintervalle wiesen eine geringe Variabilität über die 10 unabhängigen Experimentdurchläufe auf und bestätigten damit die Reproduzierbarkeit und Stabilität des vorgeschlagenen Protokolls. Detaillierte Ergebnisse jedes Experiments sind in Tabelle 10 angegeben.

Experimenteller Durchlauf	Aussetzungsdauer für Anmeldeinformationen (h)	Genauigkeit der Anomalieerkennung (%)	Migrationslatenz (min)	SHA-256-Validierung	Migrationsstatus
Durchlauf 1	0.45	94,3	96,8	BESTANDEN	Erfolgreich
Durchlauf 2	0.41	95	98,2	BESTANDEN	Erfolgreich
Durchlauf 3	0.39	94,7	95,9	BESTANDEN	Erfolgreich
Durchlauf 4	0.44	94,5	97,6	BESTANDEN	Erfolgreich
Durchlauf 5	0.43	94,8	96,9	BESTANDEN	Erfolgreich
Durchlauf 6	0.4	94,2	98,5	BESTANDEN	Erfolgreich
Durchlauf 7	0.42	95,1	97,2	BESTANDEN	Erfolgreich
Durchlauf 8	0.38	94,6	96,7	BESTANDEN	Erfolgreich
Durchlauf 9	0.43	94,9	97,8	BESTANDEN	Erfolgreich
Durchlauf 10	0.41	94,5	97	BESTANDEN	Erfolgreich
Mittelwert ± SD	0,42 ± 0,02	94,66 ± 0,29	97,26 ± 0,80	100 % bestanden	10/10 erfolgreich

Tabelle 10: Experimentelle Reproduzierbarkeit über zehn separate Migrationsläufe. Die Tabelle zeigt eine Zusammenfassung des Zeitintervalls, in dem eine Berechtigung offengelegt wurde, der Genauigkeit bei der Erkennung von Anomalien, der Verzögerung einer Migration, des Status der SHA-256-Validierung und des Erfolgs der Migration für jeden experimentellen Durchlauf und demonstriert damit die Stabilität und Reproduzierbarkeit des vorgeschlagenen sicheren Cloud-Migrations-Frameworks unter identischen Versuchsbedingungen.

Tabelle 10 zeigt die detaillierten Ergebnisse aller zehn unabhängigen Experimentdurchläufe und demonstriert die Konsistenz, Stabilität und Reproduzierbarkeit des vorgeschlagenen sicheren Cloud-Migrationsprotokolls unter identischen Versuchsbedingungen.

Die experimentelle Bewertung zeigte, dass die Integration von Zero-Trust-Sicherheit, zeitlich begrenzter Least-Privilege-Zugriffskontrolle, kontinuierlicher Anomalieüberwachung und SHAP-basierter Erklärbarkeit die Sicherheit der Migration verbessert, während die vollständige Datenbankintegrität und eine akzeptable Migrationsleistung erhalten bleibt. Da die Experimente mit einem synthetischen Datensatz aus dem Gesundheitswesen in einer kontrollierten Cloud-Umgebung durchgeführt wurden, sollten diese Ergebnisse im Kontext der evaluierten experimentellen Konfiguration interpretiert werden. Vor einer Verallgemeinerung des Protokolls für den routinemäßigen Einsatz in produktiven Gesundheitssystemen sind zusätzliche Validierungen erforderlich, die operative Gesundheitsinfrastrukturen, echte klinische Datensätze sowie Multi-Institutions-Cloud-Umgebungen nutzen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In dieser Studie wurde ein reproduzierbares, sicheres Protokoll für die Migration von Cloud-Datenbanken entwickelt, das Zero-Trust-Sicherheitsprinzipien, zeitbasierte Least-Privilege-Zugriffskontrolle, erklärbare künstliche Intelligenz (XAI) und kontinuierliche Sicherheitsüberwachung innerhalb eines eingeschränkten experimentellen Aufbaus integriert. Es war nicht das Ziel dieser Arbeit, einen neuen Migrationsalgorithmus vorzustellen; daher präsentieren die Autoren hauptsächlich einen standardisierten Arbeitsablauf, der es Forschern und Praktikern ermöglicht, sichere Migrationen von Gesundheitsdatenbanken mithilfe klar formulierter Verfahrensschritte durchzuführen, zu bewerten und zu reproduzieren. Der erfolgreiche Einsatz des Protokolls hängt von der sorgfältigen Durchführung einiger besonders wichtiger Schritte ab. Ein präzises Bedrohungsmodell hilft stark dabei, die zu migrierenden Assets, mögliche Angriffswege von Angreifern sowie wirksame Sicherheitsmaßnahmen zu identifizieren, wobei diese Schritte vor der Migration erfolgen. Die Validierung des Datenbankschemas ist ein unbedingt erforderlicher Schritt vor dem Datentransfer, um strukturelle Inkonsistenzen und Schema-Drift zu vermeiden. Bei der Migration müssen temporäre Anmeldedaten gemäß dem Prinzip des zeitlichen Least-Privilege erstellt werden, das kryptografische Protokoll TLS 1.3 zur Sicherung der Kommunikation muss verwendet werden, und Migrationsprotokolle sollten kontinuierlich erfasst werden, um sie für die Sicherheitsüberwachung und -prüfung nutzen zu können. Die Migrationsumgebung darf erst aufgeräumt und verlassen werden, wenn Aufgaben wie die SHA-256-Prüfsummenverifizierung, die Validierung der Datensatzanzahl und die Überprüfung der Schema-Konsistenz abgeschlossen sind, was belegt, dass die Datenbankintegrität erhalten blieb.

Die erklärbare Anomalieüberwachungskomponente erfordert ebenfalls sorgfältige Konfigurationsschritte, um reproduzierbare Ergebnisse zu erzielen. Zu den wichtigen Faktoren, die die Leistung der Anomalieerkennung und die Qualität der Erklärungen beeinflussen, gehören die Auswahl geeigneter Sicherheitstelemetrie-Merkmale, die konsistente Vorverarbeitung der Überwachungsprotokolle, geeignete Hyperparameter des Isolation Forests sowie ein repräsentativer SHAP-Hintergrunddatensatz. Änderungen dieser Konfigurationseinstellungen können zu Veränderungen der Anomaliebewertungen, der Merkmalsattributionen und der gesamten Modellinterpretierbarkeit führen. Daher ist es ratsam, dass Forscher die Softwareversionen, Modellparameter und Evaluierungseinstellungen unverändert lassen, um das Protokoll reproduzieren zu können.

Protokoll-Fehlerbehebungsverfahren dienen dazu, Anwendern bei der Behebung häufig auftretender Implementierungsprobleme wie Schema-Inkompatibilitäten, Netzwerkunterbrechungen, Authentifizierungsfehler, übermäßige Fehlalarme und Migrationslatenzüberhead zu helfen. Eine systematische Validierung nach jedem Protokollschritt ermöglicht es, diese Probleme zu lokalisieren und zu beheben, bevor die nächsten Schritte der Migration durchgeführt werden. Dies ist eine Möglichkeit, die Zuverlässigkeit und Reproduzierbarkeit des experimentellen Workflows zu verbessern.

Obwohl die experimentelle Bewertung zeigte, dass die getestete Konfiguration den Schutz von Anmeldeinformationen, die Anomalieerkennung, die Erklärbarkeit und die Integrität des Migrationsprozesses verbessern konnte, sollten die Ergebnisse ausschließlich im Rahmen des vorliegenden Forschungsvorhabens betrachtet werden. Das Protokoll wurde nur mit einem synthetischen Datensatz aus dem Gesundheitswesen in einer Cloud-Laborumgebung und nicht in einem realen Gesundheitsinformationssystem getestet. Die hier vorgestellten Ergebnisse dürfen nicht als Nachweis für die Einhaltung regulatorischer Anforderungen oder für den klinischen Einsatz angesehen werden. Vielmehr zeigen sie, dass die Methode in einer kontrollierten Laborumgebung implementiert werden kann und einen Rahmen bietet, der von anderen für weitere Validierungsstudien genutzt werden kann.

Mehrere aktuelle Studien haben die sichere Migration von Gesundheitsdaten in die Cloud, Zero-Trust-Sicherheitsarchitekturen und erklärbare künstliche Intelligenz untersucht; die meisten konzentrieren sich jedoch auf einzelne Sicherheitsmechanismen statt auf einen integrierten und reproduzierbaren Migrationsworkflow. Die NIST-Null-Vertrauen-Architektur (Zero Trust Architecture) bietet umfassende Leitlinien für die kontinuierliche Identitätsüberprüfung und den Zugriff nach dem Prinzip der geringsten Rechte (least-privilege access control), definiert jedoch kein standardisiertes Protokoll für die sichere Datenbankmigration oder erklärbares Sicherheitsmonitoring während der Migration¹. Ebenso betonen bestehende Rahmenwerke für die Cloud-Migration im Gesundheitswesen hauptsächlich Cloud-Adoption, Verschlüsselung, Governance und regulatorische Konformität, bieten jedoch nur begrenzte prozedurale Anleitungen für die sichere Durchführung, Validierung und Reproduzierbarkeit der Migration^7,8,⁹. KI-gestützte Ansätze zur Cloud-Sicherheit haben durch maschinelle Lernverfahren wie Anomalieerkennung und Sicherheitsmonitoring verbesserte Erkennungsfähigkeiten gezeigt; diese Methoden konzentrieren sich jedoch in der Regel auf die Erkennungsleistung, ohne interpretierbare Erklärungen einzubeziehen, die Sicherheitsaudits und administrative Entscheidungsfindung unterstützen könnten⁶^,¹³. Erklärbare KI-Techniken wie SHapley Additive exPlanations (SHAP) und Local Interpretable Model-agnostic Explanations (LIME) haben die Transparenz von maschinellen Lernvorhersagen erheblich verbessert^17,18,19,²⁰, ihre Anwendung beschränkt sich jedoch weitgehend auf die Modellinterpretation und nicht auf die Integration in durchgängige, sichere Cloud-Migrationsworkflows. Im Gegensatz dazu kombiniert das vorgeschlagene Protokoll Zero-Trust-Architektur, zeitbasiertes Least-Privilege-Zugangsmanagement, verschlüsselte Datenbankmigration, Integritätsprüfung basierend auf SHA-256-Prüfsummen, kontinuierliches zentrales Monitoring, Anomalieerkennung mittels Isolation Forest und SHAP-basierte Erklärbarkeit in einem einzigen standardisierten und reproduzierbaren Workflow. Dieser integrierte Rahmen erhöht Transparenz, Nachvollziehbarkeit und Reproduzierbarkeit, während gleichzeitig die vollständige Integrität der Migration gewahrt bleibt und unter den evaluierten experimentellen Bedingungen eine akzeptable Migrationslatenz erreicht wird.

Trotzdem gibt es zahlreiche Einschränkungen, die bei der Interpretation der Ergebnisse dieses Protokolls berücksichtigt werden müssen. Zunächst wurde die Bewertung anhand eines synthetischen Datensatzes durchgeführt, der möglicherweise nicht die volle Komplexität, Variabilität und Sicherheitsherausforderungen realer klinischer Datenbanken erfasst. Zweitens wurde das Protokoll nur in einer einzelnen kontrollierten Cloud-Umgebung getestet; die Leistung kann bei anderen Cloud-Anbietern, Datenbankplattformen oder Netzwerkinfrastrukturen variieren. Drittens wäre ein Vergleich der Ergebnisse mit anderen sicheren Migrationsmethoden und Cloud-Sicherheitsarchitekturen – obwohl die Autoren einen traditionellen Migrationsworkflow als Kontrolle verwendeten – für zukünftige Studien von Vorteil. Viertens erfolgte die statistische Validierung lediglich an zehn unabhängigen Migrationsversuchen; umfangreichere Studien könnten einen besseren Hinweis auf die Robustheit des Protokolls liefern. Fünftens haben die Autoren feindliche Angriffsszenarien wie Diebstahl von Anmeldeinformationen, interne Bedrohungen, Ransomware oder fortgeschrittene persistente Angriffe nicht ausdrücklich berücksichtigt, die jedoch im Fokus zukünftiger Forschung stehen sollten. Schließlich ist der vorgeschlagene Rahmen nur so gut wie die Konfiguration der Identitätsverwaltungsrichtlinien, Anomalieerkennungsparameter, Protokollierungsinfrastruktur und Erklärbarkeitseinstellungen; bei fehlerhaften Konfigurationen wirken sich dies negativ sowohl auf die Sicherheit der Migration als auch auf die Überwachungsleistung aus.

Im Allgemeinen bietet dieses Protokoll einen Rahmen und eine Methode, die für die Untersuchung sicherer Cloud-Datenbankmigrationen mittels erklärbarer künstlicher Intelligenz in kontrollierten Forschungsumgebungen wiederholt werden kann. Die Validierung und Verifizierung des Protokolls könnte in zukünftigen Arbeiten durchgeführt werden, indem betriebsbereite Gesundheitsinformationssysteme auf verschiedenen Cloud-Plattformen, mit unterschiedlichen Datenbanktechnologien und authentischen klinischen Datensätzen zum Einsatz kommen, um Skalierbarkeit, Übertragbarkeit und praktische Anwendbarkeit des Protokolls zu bewerten.

Dieser Artikel beschreibt eine reproduzierbare Methode für die sichere Migration von Cloud-Datenbanken, die Zero-Trust-Sicherheitsprinzipien, temporäre Least-Privilege-Zugriffskontrolle, erklärbare künstliche Intelligenz (XAI) und kontinuierliche Sicherheitsüberwachung in einer kontrollierten Cloud-Umgebung kombiniert. Die Methode legt detailliert die Schritte zur Datensatzvorbereitung, Bedrohungsmodellierung, sicheren Migration, Integritätsprüfung, Anomalieerkennung, Erklärbarkeitsanalyse und Leistungsbewertung fest. Experimente mit einem synthetischen Gesundheitsdatensatz haben gezeigt, dass das Protokoll die Sicherheit von Anmeldedaten verbessern, die Integrität der Migration aufrechterhalten, Anomalien präzise erkennen und die Sicherheit auf nachvollziehbare Weise überwachen kann, während die Migrationslatenz auf einem akzeptablen Niveau bleibt. Das standardisierte Verfahren zielt darauf ab, die Implementierung und Bewertung sicherer Cloud-Migrationsstrategien in akademischen Umgebungen besser reproduzierbar zu machen.

Die Ergebnisse sollten unter Berücksichtigung der eng begrenzten experimentellen Rahmenbedingungen interpretiert werden, die in dieser Studie verwendet wurden. Da das Protokoll anhand eines synthetischen Gesundheitsdatensatzes und nicht an einem realen Gesundheitsinformationssystem getestet wurde, dürfen die Ergebnisse nicht als Indikatoren für eine klinische Anwendung, die Einhaltung regulatorischer Vorgaben oder die Implementierung im großen Maßstab betrachtet werden. Künftige Forschungsarbeiten sollten sich auf den Einsatz in tatsächlichen Gesundheitseinrichtungen, unterschiedlichen Cloud-Plattformen, verschiedenen Datenbanktechnologien und umfangreicheren klinischen Datensätzen konzentrieren, um die Vielseitigkeit, Zuverlässigkeit und praktische Nützlichkeit des Protokolls weiter zu überprüfen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen, geschäftlichen Beziehungen oder persönlichen Beziehungen haben, die die in dieser Studie beschriebene Arbeit beeinflusst haben könnten. Die Autoren haben keine Interessenkonflikte offenzulegen. Alle Materialien, die zur Reproduktion der in dieser Studie dargestellten Methodik erforderlich sind, sind öffentlich in einem GitHub-Repository verfügbar. Das Repository ist verfügbar unter: https://github.com/priyankanalawade896-tech/XAI-Secure-Cloud-Data-Migration. Das Repository enthält ausschließlich synthetisch generierte Benchmark-Daten und beinhaltet keine echten Patienteninformationen, geschützten Gesundheitsdaten oder identifizierbaren Gesundheitsakten.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren danken ihren jeweiligen Institutionen für die institutionelle Unterstützung während der Entwicklung und Bewertung dieses Protokolls. Die Autoren danken außerdem für die Nutzung institutioneller Rechenanlagen und Cloud-Computing-Ressourcen, die die experimentelle Validierung des vorgeschlagenen sicheren Cloud-Datenmigrationsrahmens ermöglichten.
Diese Forschung erhielt keine externe Finanzierung. Die Studie wurde unter Verwendung institutioneller Forschungseinrichtungen und Rechenressourcen durchgeführt, die von den Institutionen der Autoren bereitgestellt wurden. Es wurden keine Fördermittel oder finanzielle Unterstützung von öffentlichen, kommerziellen oder gemeinnützigen Förderorganisationen erhalten.

Materialien

Liste der in diesem Artikel verwendeten Materialien
Name	Unternehmen	Katalognummer	Kommentare
AES-Verschlüsselung	NIST	AES-256	Verschlüsselung ruhender Daten
Amazon RDS PostgreSQL	Amazon Web Services	PostgreSQL 16	Zieldatenbank
Cloud-Plattform	Amazon Web Services	AWS	Cloud-Infrastruktur
CloudWatch	Amazon Web Services	Neueste stabile Version	Überwachung und Protokollierung
Docker	Docker Inc.	27.0	Containerisierung
Faker	Faker-Entwickler	30.0	Generierung synthetischer Daten
GPU	NVIDIA	RTX 4090	24 GB VRAM
Matplotlib	Matplotlib-Entwickler	3.9	Visualisierung
NumPy	NumPy-Entwickler	1.26	numerische Datenverarbeitung
Betriebssystem	Canonical	Ubuntu 22.04 LTS	Systemumgebung
Pandas	PyData	2.2	Datenverarbeitung
PostgreSQL	PostgreSQL Global Development Group	16	Quelldatenbank
Python	Python Software Foundation	3.11	Programmiersprache
Scikit-learn	Scikit-learn-Entwickler	1.5	maschinelles Lernen
SHAP	SHAP-Entwickler	0.46	Erklärbares KI-System
Terraform	HashiCorp	1.8	Infrastrukturbereitstellung
TLS	IETF	TLS 1.3	Verschlüsselung übertragener Daten
Virtueller privater Cloud	Amazon Web Services	VPC	Private Netzwerkumgebung
Workstation	Dell/HP	NA	Intel Xeon Gold 6226R, 64 GB RAM, 1 TB SSD

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kindervag J. Build security into your network's DNA: The Zero Trust Network Architecture. Cambridge (MA): Forrester Research; 2010.
Rose S, Borchert O, Mitchell S, Connelly S. Zero Trust Architecture. NIST Special Publication 800-207. Gaithersburg (MD): National Institute of Standards and Technology; 2020. doi:10.6028/NIST.SP.800-207.
Rieke N, et al. The future of digital health with federated learning. NPJ Digit Med. 2020;3:119. doi:10.1038/s41746-020-00323-1.
Kairouz P, McMahan HB, Avent B, Bellet A, Bennis M, Bhagoji AN, et al. Advances and open problems in federated learning. Found Trends Mach Learn. 2021;14(1-2):1-210. doi:10.1561/2200000083.
Nguyen DC, Ding M, Pathirana PN, Seneviratne A, Li J, Niyato D, et al. Privacy-preserving federated learning: A comprehensive survey. IEEE Commun Surv Tutor. 2021;23(3):1622-1651. doi:10.1109/COMST.2021.3075434.
Sarker IH. AI-driven cybersecurity: An overview, security intelligence modeling, and research directions. SN Comput Sci. 2021;2:173. doi:10.1007/s42979-021-00557-0.
Kuo AM. Opportunities and challenges of cloud computing to improve health care services. J Med Internet Res. 2011;13(3):e67. doi:10.2196/jmir.1867.
Kota TK. Cloud migration for healthcare data: Challenges and solutions. Nanotechnol Percept. 2024;20:3048-3062.
Rancea A, Anghel I, Cioara T. Edge computing in healthcare: Innovations, opportunities, and challenges. Future Internet. 2024;16(9):329.
Mersha M, et al. Explainable artificial intelligence: A survey of needs, techniques, applications, and future direction. Neurocomputing. 2024;599:128111. doi:10.1016/j.neucom.2024.128111.
Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon. 2024;10(4):e26297. doi:10.1016/j.heliyon.2024.e26297.
Roppelt JS, Kanbach DK, Kraus S. Artificial intelligence in healthcare institutions: A systematic literature review on influencing factors. Technol Soc. 2024;76:102443. doi:10.1016/j.techsoc.2023.102443.
Lekkala S, Avula R, Gurijala P. Next-Gen firewalls: Enhancing cloud security with generative AI. J Artif Intell Cloud Comput. 2024;3(4):1-9. doi:10.47363/JAICC/2024(3)404.
Al-Hammuri K, Gebali F, Kanan A. ZTCloudGuard: Zero Trust context-aware access management framework to avoid medical errors in the era of generative AI and cloud-based health information ecosystems. AI. 2024;5(3):1111-1131. doi:10.3390/ai5030055.
Pfeifer B, Sirocchi C, Bloice MD, Kreuzthaler M, Urschler M. Federated unsupervised random forest for privacy-preserving patient stratification. Bioinformatics. 2024;40(Suppl 2):ii198-ii207. doi:10.1093/bioinformatics/btae382.
Li T, Sahu AK, Talwalkar A, Smith V. Federated learning: Challenges, methods, and future directions. IEEE Signal Process Mag. 2020;37(3):50-60. doi:10.1109/MSP.2020.2975749.
Lundberg SM, Lee SI. A unified approach to interpreting model predictions. In: Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS); 2017. p. 4768-4777.
Ribeiro MT, Singh S, Guestrin C. "Why should I trust you?": Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 1135-1144. doi:10.1145/2939672.2939778.
Ortigossa ES, Gonçalves T, Nonato LG. Explainable artificial intelligence (XAI)—From theory to methods and applications. IEEE Access. 2024;12:80799-80846. doi:10.1109/ACCESS.2024.3409843.
Chaddad A, et al. Explainable, domain-adaptive, and federated artificial intelligence in medicine. IEEE/CAA J Autom Sin. 2023;10(4):859-876. doi:10.1109/JAS.2023.123123.
Albshaier L, Almarri S, Albuali A. Federated learning for cloud and edge security: A systematic review of challenges and AI opportunities. Electronics. 2025;14(5):1019. doi:10.3390/electronics14051019.
Vani MS, Sudhakar RV, Mahendar A, et al. Personalized health monitoring using explainable AI: Bridging trust in predictive healthcare. Sci Rep. 2025;15:31892. doi:10.1038/s41598-025-15867-z.
Zakhmi K, et al. Evolving Zero Trust architectures for AI-driven cyber threats in healthcare and other high-risk data environments: A systematic review. Cureus. 2025;17(6):e85446. doi:10.7759/cureus.85446.
Selvaperumal D, et al. Artificial intelligence-enabled zero-trust cyber security framework for smart healthcare infrastructure. Int J Artif Intell Mach Learn. 2026;6(2 Suppl):204-217. doi:10.51483/IJAIML.6.2s.2026.204-217.
Abbas SR, Seol H, Abbas Z, Lee SW. Exploring the role of artificial intelligence in smart healthcare: A capability and function-oriented review. Healthcare (Basel). 2025;13(14):1642. doi:10.3390/healthcare13141642.
Al-Nafjan A, et al. Artificial intelligence in predictive healthcare: A systematic review. J Clin Med. 2025;14(19):6752. doi:10.3390/jcm14196752.
Qureshi SS, et al. Advanced AI-driven intrusion detection for securing cloud-based industrial IoT. Egypt Inform J. 2025;30:100644. doi:10.1016/j.eij.2025.100644.
Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 785-794. doi:10.1145/2939672.2939785.
Liu FT, Ting KM, Zhou ZH. Isolation Forest. In: Proceedings of the 8th IEEE International Conference on Data Mining; 2008. p. 413-422. doi:10.1109/ICDM.2008.17.
Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, et al. TensorFlow: A system for large-scale machine learning. In: Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI); 2016. p. 265-283.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Zero Trust Architektur verschl sselte Kommunikation zentralisierte berwachung Anomalieerkennung Isolation Forest Shapley Erkl rungen Datenintegrit t

Ein experimentelles Protokoll für eine erklärbare, KI-gesteuerte sichere Cloud-Datenmigration unter Verwendung synthetischer Gesundheitsdaten

In diesem Artikel

Zusammenfassung

Zusammenfassung

Einleitung

Protokoll

Ergebnisse

Diskussion

Offenlegungen

Danksagungen

Materialien

Referenzen

Nachdrucke und Genehmigungen

Schlagwörter

Verwandte Artikel