Um Protocolo Experimental para Migração Segura de Dados em Nuvem Impulsionada por IA Explicável Utilizando Dados Sintéticos de Saúde

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

doi:10.3791/71612

Artigo de método

Um Protocolo Experimental para Migração Segura de Dados em Nuvem Impulsionada por IA Explicável Utilizando Dados Sintéticos de Saúde

DOI:

10.3791/71612

⸱

14 de agosto de 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

Neste artigo

Resumo

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

Este método apresenta uma estrutura abrangente baseada em inteligência artificial explicável (XAI) para permitir a migração segura de dados em nuvem na área de saúde, utilizando um conjunto de dados sintéticos de saúde dentro de um ambiente de nuvem controlado. O resultado é um protótipo que combina segurança do tipo zero confiança, controle de acesso baseado em tempo e detecção explicável de anomalias para apoiar a transparência e a segurança na migração.

Resumo

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

Nos sistemas de saúde, cada vez mais migração de dados para a nuvem está sendo realizada, mas isso também altera os momentos em que a transferência de dados provavelmente representa o maior risco em termos de segurança. Este artigo descreve um protocolo reproduzível para migração segura de dados em nuvem baseado em inteligência artificial explicável (XAI, na sigla em inglês), utilizando um conjunto de dados sintéticos de saúde e um ambiente de nuvem controlado. O framework desenvolvido integra arquitetura de zero confiança, privilégio temporal mínimo, comunicação criptografada, monitoramento centralizado e detecção explicável de anomalias para proporcionar uma migração mais segura, transparente e auditável. Os testes utilizaram um conjunto de dados de 10 GB de prontuários eletrônicos sintéticos, compreendendo aproximadamente 20 milhões de registros distribuídos em 28 tabelas relacionais. O processo de migração foi realizado em serviços web da Amazon (AWS) utilizando bancos de dados PostgreSQL e redes virtuais privadas. Para detecção de anomalias, utilizou-se a técnica Isolation Forest, e as explicações aditivas de Shapley (SHAP) foram empregadas para interpretação segura de eventos. O framework foi avaliado em dez tentativas separadas de migração, utilizando métricas como duração da exposição de credenciais, tempo de detecção de incidentes, precisão na detecção de anomalias, latência da migração e integridade dos dados. Na configuração testada, a exposição de credenciais foi reduzida de 24 h para 1 h (uma redução de 95,8%), a precisão na detecção de anomalias foi de 97,4%, o tempo de detecção de incidentes foi reduzido para cerca de 15 minutos, e a integridade dos dados foi preservada em 100% por meio de validação por checksum. Contudo, as medidas de segurança mais rigorosas resultaram em um aumento médio de 11% na latência da migração. Esses resultados demonstram o potencial da integração entre inteligência artificial explicável e fluxos de trabalho seguros de migração em nuvem para gerenciamento de dados de saúde.

Introdução

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

A computação em nuvem é agora uma parte integrante dos sistemas de saúde em todo o mundo, oferecendo armazenamento escalável, recursos computacionais e a capacidade de trocar registros médicos, apoiar sistemas de tomada de decisão e permitir análises de saúde por meio da nuvem¹^,²^,³. Com muitas instituições de saúde atualizando seus sistemas de informação, migrar para a nuvem tornou-se um passo essencial para transferir seus dados médicos sensíveis armazenados em sistemas locais antigos para a nuvem⁴. Uma migração adequada facilita a recuperação de dados, permite a execução de operações de forma mais eficiente e apoia análises com níveis mais elevados de inteligência, mas, ao mesmo tempo, não se pode ignorar os riscos bastante sérios de segurança e privacidade que o transporte de dados de um local para outro implica⁵.

A fase de migração é um momento notoriamente vulnerável no ciclo de vida dos dados, já que os dados de saúde estão sendo ativamente transferidos entre sistemas e redes pela própria natureza do processo⁶. Além disso, as organizações podem ficar expostas a ameaças como invasão de credenciais, acesso não autorizado, interceptação de dados, manipulação de esquemas e até perda de dados durante a fase de migração⁶^,⁷. Os ambientes de saúde são menos imunes a esses riscos, pois as informações dos pacientes são altamente sensíveis e, portanto, exigem o mais alto nível de conformidade com medidas regulatórias e de segurança⁸^,⁹. Caso contrário, não é viável garantir a confidencialidade, integridade e responsabilização dos dados se o fluxo de trabalho de migração não for protegido e tornado observável¹⁰^,¹¹.

Vários frameworks e padrões de segurança foram desenvolvidos com o objetivo de melhorar a segurança na nuvem. Por exemplo, a Arquitetura Zero Trust do Instituto Nacional de Padrões e Tecnologia (NIST) baseia-se na verificação contínua de usuários, dispositivos e serviços¹², enquanto os frameworks de adoção da nuvem fornecem diretrizes sobre governança, gerenciamento de identidade, criptografia e monitoramento¹³. Na verdade, os métodos atuais de segurança em nuvem enfocam automação, infraestrutura-como-código e monitoramento contínuo¹⁴^,¹⁵. Embora essas abordagens se baseiem em princípios de segurança valiosos, em grande parte elas tratam de ambientes gerais de implantação e operação em nuvem, e não propriamente do processo de migração¹⁶. Na realidade, raramente apresentam procedimentos passo a passo, detalhados e reprodutíveis para realizar fluxos de trabalho seguros de migração de dados de saúde para a nuvem que combinem gerenciamento de identidade, transferência segura de dados, validação, monitoramento e endurecimento pós-migração¹⁷.

A detecção de anomalias por aprendizado de máquina tem sido reconhecida como uma tecnologia útil no monitoramento de segurança de ambientes em nuvem. Ela detecta atividades anômalas do sistema, bem como possíveis incidentes de segurança¹⁸. Ainda assim, muitos métodos de detecção de anomalias são sistemas fechados que não fornecem explicações sobre a lógica por trás da identificação de um evento de segurança¹⁹. A incapacidade de explicar as decisões tomadas pelo sistema reduz a credibilidade dos administradores, dificulta a auditoria e diminui o valor das decisões automatizadas de segurança em ambientes de saúde altamente regulamentados²⁰. Métodos de inteligência artificial explicável (XAI), como SHapley Additive exPlanations (SHAP) e Local Interpretable Model-agnostic Explanations (LIME), não apenas fornecem explicações claras para as previsões de aprendizado de máquina, mas também aprimoram a compreensão, a responsabilidade e a confiança nos sistemas de monitoramento de segurança²¹^,²².

Apesar dos grandes avanços na segurança de nuvem e na inteligência artificial explicável, ainda é escassa a disponibilidade de protocolos experimentais reprodutíveis que combinem controles de migração segura com monitoramento de segurança explicável com vistas à integração²³. A pesquisa existente aborda principalmente componentes isolados, como criptografia, controle de acesso, detecção de anomalias ou governança em nuvem, e em nenhum momento oferece uma metodologia integrada que possa ser sistematicamente implementada, avaliada e reproduzida²⁴. Além disso, quase nenhum estudo tentou integrar os princípios de segurança zero confiança, o privilégio mínimo temporal, a observabilidade centralizada e a detecção explicável de anomalias em um único fluxo de trabalho de migração para nuvem em saúde²⁵^,²⁶.

Este artigo apresenta uma estrutura baseada em IA Explicável para migração segura de dados em nuvem em sistemas de saúde, a fim de preencher essa lacuna. A arquitetura proposta utiliza um modelo de zero confiança, acesso com restrição temporal, comunicação segura, registro centralizado e monitoramento, além de detecção de anomalias interpretável baseada em SHAP, em um processo de migração bem estruturado²⁷^,²⁸. O protocolo é um guia passo a passo para implementar, monitorar e avaliar a migração segura de dados em saúde sob condições experimentais. Ao integrar controles de segurança com monitoramento interpretável por IA, a estrutura proposta tem como objetivo aumentar o nível de transparência, auditabilidade e segurança em todo o ciclo de vida da migração²⁹^,³⁰.

Protocolo

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

Este estudo utilizou um conjunto de dados de saúde totalmente sintético, gerado para a avaliação experimental da migração segura de dados para a nuvem. Nenhum dado real de pacientes, nenhuma informação de saúde protegida (PHI) nem registros médicos identificáveis foram utilizados. Portanto, não foi necessária a aprovação do Comitê de Ética em Pesquisa nem o consentimento informado. Todos os materiais utilizados neste estudo estão incluídos na Tabela de Materiais.

1. Visão Geral

Configure um ambiente seguro de migração para a nuvem composto por uma camada de origem, camada de hub de migração, camada de destino, camada de rede, camada de gerenciamento de identidade e acesso, camada de observabilidade e camada de IA explicável.
Implante todos os componentes em ambientes em nuvem isolados para apoiar a migração segura de dados de saúde. Estabeleça canais de comunicação criptografados entre todos os componentes do sistema.
Execute o protocolo por meio da preparação do conjunto de dados, configuração do ambiente, implantação da arquitetura, migração segura, monitoramento de anomalias e validação pós-migração. A arquitetura geral do framework proposto de migração segura de dados para a nuvem orientado por IA explicável é ilustrada na Figura 1.

figure-protocol-1
Figura 1: Arquitetura geral do framework habilitado por inteligência artificial explicável (XAI) para migração segura de dados em nuvem em sistemas de saúde. O framework é composto pela camada de gerenciamento de identidade e acesso, camada de banco de dados de origem, camada de hub de migração, camada de banco de dados em nuvem de destino, camada de segurança de rede, camada de observabilidade, camada de monitoramento com inteligência artificial explicável e serviços transversais de segurança e governança. A arquitetura integra controle de acesso temporal com privilégio mínimo, comunicação criptografada com TLS 1.3, verificação de integridade baseada em checksum, monitoramento contínuo de segurança e explicabilidade baseada em SHAP, proporcionando migração segura, transparente e reprodutível de bancos de dados de saúde. Esta figura foi criada pelos autores utilizando o Microsoft PowerPoint (Microsoft 365). Clique aqui para visualizar uma versão maior desta figura.

2. Configuração do ambiente computacional

Configure o ambiente computacional
1. Prepare os recursos computacionais necessários para a migração segura de dados em nuvem e monitoramento baseado em IA explicável.
2. Instale e configure todo o hardware, software, serviços em nuvem, bancos de dados, ferramentas de segurança e bibliotecas de aprendizado de máquina listados na Tabela de Materiais. Verifique se todos os componentes necessários estão operacionais antes de iniciar o experimento de migração.
Configure o ambiente em nuvem
1. Configure um ambiente em nuvem seguro para a migração de dados de saúde. Configure uma VPC privada para permitir a comunicação contínua entre os sistemas de origem, o hub de migração e os sistemas de destino. Utilize criptografia robusta não apenas para dados armazenados, mas também durante a transmissão.
2. Prepare o banco de dados de destino e os serviços de migração conforme detalhado na Tabela de Materiais.
Configure o gerenciamento de identidade e acesso. Configure os serviços de monitoramento e registro de logs.

3. Preparação e descrição do conjunto de dados

Gere um conjunto de dados sintético de saúde utilizando a biblioteca Python Faker listada na Tabela de Materiais. Configure atributos demográficos, incluindo idade do paciente, sexo, etnia e localização geográfica, usando distribuições de probabilidade predefinidas.
Gere informações clínicas, incluindo diagnósticos, resultados de exames laboratoriais, medicamentos, alergias, procedimentos e internações hospitalares, mantendo relações clínicas realistas.
Gere atendimentos longitudinais aos pacientes atribuindo múltiplas visitas a pacientes individuais de acordo com distribuições predefinidas de frequência de visitas.
Gere carimbos de data e hora para internações, investigações laboratoriais, administração de medicamentos, resumos de alta e registros de auditoria usando ordenação cronológica de eventos.
Introduza valores ausentes clinicamente realistas, registros duplicados e observações atípicas de acordo com distribuições predefinidas de qualidade dos dados.
Substitua todas as informações de identificação pessoal por valores sintéticos gerados usando a biblioteca Faker. Valide a integridade referencial e a consistência lógica antes de exportar o conjunto de dados. Exporte o conjunto de dados validado no formato SQL compatível com PostgreSQL. Configure o conjunto de dados para suportar cenários realistas de migração de dados em saúde. As características do conjunto de dados gerado são resumidas na Tabela 1.
Defina as relações do banco de dados. Atribua Patient_ID como chave primária da tabela de pacientes. Estabeleça relações de chave estrangeira entre as tabelas de pacientes, visitas, laboratório, medicamentos e registros de auditoria. Verifique a integridade referencial em todas as tabelas antes de iniciar a migração.
Simule características realistas de dados em saúde. Gere idades dos pacientes usando uma distribuição normal. Gere frequências de visitas usando uma distribuição de Poisson. Introduza valores ausentes a uma taxa de 5% para simular a incompletude real de prontuários eletrônicos. Substitua todos os identificadores dos pacientes por valores codificados antes da migração. Verifique se todos os registros gerados estão em conformidade com as restrições de esquema predefinidas.
Valide o conjunto de dados gerado verificando a consistência do esquema, integridade referencial, valores ausentes, registros duplicados e restrições de qualidade predefinidas antes da migração.

Parâmetro	Valor
Tipo de Conjunto de Dados	Conjunto de Dados Sintéticos de Prontuários Eletrônicos de Saúde
Tamanho do Conjunto de Dados	10 GB
Total de Registros	20 milhões
Número de Tabelas	5 Tabelas Principais – 28 tabelas relacionais
Registros de Pacientes	5.000.000
Registros de Visitas	10.000.000
Resultados de Laboratório	4.000.000
Registros de Medicamentos	3.000.000
Logs de Auditoria	5.000.000
Chave Primária	Patient_ID
Taxa de Valores Ausentes	<0,1% de Violações
Distribuição de Idade	Distribuição Normal
Frequência de Visitas	Distribuição de Poisson
Limite de Integridade	<0,1% de Violações

Tabela 1: Características do conjunto de dados sintético de saúde utilizado para validação do protocolo. A tabela fornece uma visão geral do conjunto de dados, como tamanho do banco de dados, número de tabelas relacionais, número total de registros, atributos dos pacientes, variáveis clínicas e características de validação para reproduzir os experimentos de migração segura.

4. Implantação da arquitetura do sistema

Implante a arquitetura segura de migração para a nuvem composta pela camada de origem, camada do hub de migração, camada de destino, camada de segurança de rede, camada de observabilidade e camada de IA explicável. A arquitetura de sistema implantada neste estudo é ilustrada na Figura 2.
O framework é composto por seis camadas funcionais, que, durante o processo de migração, executam suas funções uma após a outra. A primeira camada, a Camada de Origem, é aquela que contém a base de dados sintética de saúde.
O Hub de Migração é o responsável pela extração do esquema, transferência criptografada de dados, validação de integridade e orquestração da migração. A camada de destino é aquela onde a base de dados migrada é armazenada no Amazon RDS PostgreSQL.
A camada de segurança de rede é a responsável por proteger todas as comunicações por meio do uso de endpoints privados de VPC, criptografia TLS 1.3, grupos de segurança e listas de controle de acesso à rede.
A camada de observabilidade é a que coleta continuamente logs de autenticação, logs de migração, logs de atividades do banco de dados e eventos de segurança com a ajuda do Amazon CloudWatch.
A camada de IA explicável é a que recebe a telemetria de segurança coletada, a processa por meio de um algoritmo Isolation Forest e gera explicações baseadas em SHAP para as anomalias detectadas. Todas as camadas arquiteturais se comunicam entre si por canais de rede privados que são autenticados durante todo o fluxo de trabalho de migração.
Implante e verifique o ambiente de banco de dados de origem para garantir acesso seguro e disponibilidade dos dados antes da migração.
1. Configure um banco de dados PostgreSQL 16 com o conjunto de dados sintético de saúde. Mantenha no banco de dados de origem as informações dos pacientes, detalhes das visitas, resultados de exames laboratoriais, registros de medicamentos e logs de auditoria.
2. Restrinja o acesso ao banco de dados apenas aos serviços autorizados de migração e aos usuários administrativos. Verifique a disponibilidade e conectividade do banco de dados antes de iniciar as operações de migração.
Configure o hub de migração para coordenar a extração do esquema, a transferência criptografada de dados e a orquestração da migração.
1. Implante um servidor de migração dedicado dentro da VPC (Virtual Private Cloud) privada. Configure os serviços de orquestração de migração para coordenar as atividades de extração do esquema, transferência de dados e validação.
2. Habilite serviços de validação de esquema para verificar a compatibilidade entre os ambientes de origem e destino. Habilite serviços de verificação de integridade para validar os dados migrados durante e após a transferência. Verifique a comunicação entre o hub de migração e os sistemas de banco de dados antes de executar as tarefas de migração.
Implante a Camada de Destino. Implante o Amazon RDS PostgreSQL 16 como ambiente de banco de dados de destino. Habilite serviços automáticos de backup e recuperação. Habilite criptografia AES-256 para os dados armazenados no banco de dados de destino.
Configure a segurança de rede. Desative todos os endereços IP públicos associados aos recursos de migração. Permita comunicação apenas por meio de endpoints privados dentro da VPC. Configure listas de controle de acesso à rede (NACLs) e grupos de segurança. Habilite criptografia TLS 1.3 para todas as comunicações entre os componentes do sistema. Verifique que nenhum endpoint acessível publicamente permaneça ativo.
Configure o monitoramento centralizado para coletar continuamente eventos de segurança, logs de migração e métricas de desempenho do sistema.
1. Habilite os serviços de monitoramento e registro de logs do Amazon CloudWatch. Colete logs de autenticação, logs de migração, logs de atividades do banco de dados e logs de eventos de segurança. Configure retenção de logs por 365 dias. Habilite armazenamento imutável de logs para atender aos requisitos de auditoria e conformidade. Verifique a coleta em tempo real de métricas e a geração de alertas.
Configure o ambiente de IA explicável para realizar detecção de anomalias em tempo real e gerar explicações de segurança interpretáveis.
1. Implante serviços de detecção de anomalias dentro do ambiente de monitoramento. Configure o framework de IA Explicável para processar a telemetria de segurança gerada durante a migração. Conecte os fluxos de telemetria de segurança da origem, do hub de migração, do banco de dados de destino e dos serviços de monitoramento.
2. Habilite detecção de anomalias em tempo real e geração de explicações baseadas em SHAP. Verifique a ingestão bem-sucedida dos dados de telemetria antes de iniciar os experimentos de migração.

figure-protocol-2
Figura 2: Arquitetura de implantação do framework seguro de migração para a nuvem em saúde. O ambiente de implantação ilustra o banco de dados PostgreSQL de origem contendo o conjunto de dados sintéticos em saúde, o hub de migração dedicado dentro de uma nuvem privada virtual (VPC), o banco de dados PostgreSQL de destino da Amazon RDS, a camada de segurança de rede, a observabilidade centralizada por meio do Amazon CloudWatch e a camada de monitoramento de Inteligência Artificial Explicável. Toda a comunicação ocorre por meio de endpoints privados protegidos por criptografia TLS 1.3. Esta figura foi criada pelos autores utilizando o Microsoft PowerPoint (Microsoft 365). Clique aqui para visualizar uma versão maior desta figura.

5. Fluxo de trabalho de migração segura

OBSERVAÇÃO: Execute o fluxo de trabalho de migração segura realizando modelagem de ameaças, transferência de esquema, migração segura de dados, validação da migração e reforço pós-migração.

Identifique ameaças de segurança potenciais e mapeie controles de mitigação apropriados antes de iniciar o processo de migração.
1. Identifique os ativos da migração, vetores de ataque potenciais e cenários realistas de ciberataques.
2. Avalie o roubo de credenciais decorrente de tokens de autenticação comprometidos, ataques internos envolvendo acesso administrativo não autorizado, ataques de repetição (replay) direcionados a solicitações de autenticação previamente interceptadas, ataques do tipo homem-no-meio (MITM) que tentam interceptar canais de comunicação criptografados, adulteração de esquemas destinada a modificar estruturas de banco de dados durante a migração e ataques de elevação de privilégios com o objetivo de obter permissões administrativas não autorizadas.
3. Verifique se o uso do gerenciamento temporal de credenciais com privilégio mínimo é suficiente para prevenir o roubo de credenciais e ataques de elevação de privilégios. Confirme que a comunicação criptografada com TLS 1.3 protege contra ataques de repetição e ataques do tipo homem-no-meio.
4. Verifique se as políticas de gerenciamento de identidade e acesso (IAM) impedem o acesso administrativo não autorizado. Confirme que o registro contínuo em logs de auditoria mantém um histórico de todas as atividades de migração relacionadas à segurança. Certifique-se de que a verificação por meio de checksum SHA-256 é capaz de detectar alterações não autorizadas no esquema ou nos dados.
5. Verifique se o framework explicável de detecção de anomalias consegue identificar atividades incomuns durante a migração e também fornecer explicações de segurança interpretáveis. Elabore um mapa de controles de segurança para cada ameaça identificada. Confirme que todas as ameaças identificadas estão adequadamente mitigadas antes de iniciar a migração do banco de dados. Os autores resumiram o modelo de ameaças e os controles de segurança na Tabela 2.
Transferir o esquema do banco de dados. Extraia as definições de esquema do banco de dados PostgreSQL de origem. Valide a compatibilidade do esquema com o ambiente do banco de dados de destino. Verifique as estruturas das tabelas, chaves primárias, chaves estrangeiras, índices e restrições. Implante as definições de esquema validadas no banco de dados de destino. Confirme a implantação bem-sucedida do esquema antes de transferir os dados.
Migre os dados de saúde de forma segura por meio de canais de comunicação criptografados, monitorando continuamente as atividades de migração.
1. Configure o tamanho do lote de migração para 10.000 registros por transação. Estabeleça canais de comunicação criptografados utilizando TLS 1.3. Transfira os dados por meio de endpoints de rede privados dentro da nuvem privada virtual (VPC).
2. Ative tentativas automáticas de repetição com no máximo três tentativas para transações falhas.
  Mantenha a taxa de transferência de dados entre 100 MB/s e 150 MB/s. Monitore continuamente as atividades de migração durante todo o processo de transferência. Registre todos os eventos de migração em logs de auditoria centralizados.
Verifique a integridade e a completude da migração comparando checksums, contagens de registros e estruturas do banco de dados.
1. Gere valores de hash SHA-256 para todas as tabelas de origem antes da migração e valores de hash SHA-256 para todas as tabelas de destino após a migração. Compare os valores de checksum da origem e do destino. Verifique as contagens de linhas entre os bancos de dados de origem e de destino. Confira a consistência dos esquemas, relações entre tabelas e restrições do banco de dados. Considere a migração bem-sucedida somente quando os valores de checksum, as contagens de registros e as estruturas de esquema forem idênticos.
Remova os privilégios temporários e finalize os controles de segurança após a conclusão bem-sucedida da migração de dados.
1. Revogue imediatamente todas as credenciais temporárias de migração após a conclusão da migração. Remova os privilégios elevados de migração das contas de serviço. Arquive os logs de auditoria e os registros de monitoramento de segurança.
2. Verifique a conclusão bem-sucedida dos procedimentos de backup. Desative os servidores temporários de migração e os recursos de suporte. Realize uma revisão final de segurança do ambiente migrado. Documente os resultados da migração e os resultados da validação. O fluxo de trabalho completo de migração segura utilizado neste estudo é ilustrado na Figura 3.

Cenário de ameaça	Controle de segurança	Método de detecção	Atenuação
Roubo de credenciais	Privilégio Temporal Mínimo (TLP)	Logs do IAM	Revogação automática de credenciais
Ataque interno	Controle de Acesso Baseado em Funções (RBAC)	Logs de auditoria + SHAP	Encerramento de sessão
Ataque de repetição	TLS 1.3 + validação de nonce	Monitoramento de rede	Rejeitar solicitações duplicadas
Homem no meio (MITM)	Criptografia TLS 1.3	Validação de certificado	Comunicação criptografada
Alteração de esquema	Checksum SHA-256 + validação de esquema	Verificação de integridade	Restaurar esquema validado
Elevação de privilégio	Aplicação de política do IAM	Logs de segurança	Revogação de privilégio

Tabela 2: Modelo de ameaça e respectivas medidas de segurança adotadas na estrutura de migração proposta. A tabela descreve as principais ameaças de segurança representativas e seus mecanismos correspondentes de mitigação com base em princípios de segurança de confiança zero, criptografia, gerenciamento de identidade, verificação de integridade, monitoramento e detecção explicável de anomalias.

figure-protocol-3
Figura 3: Fluxo de trabalho do protocolo proposto para migração segura de banco de dados em nuvem. O protocolo consiste em sete etapas sequenciais: modelagem de ameaças, transferência de esquema, migração segura do banco de dados, validação dos dados migrados, reforço pós-migração, registro de auditoria e arquivamento, e conclusão da migração. O monitoramento de segurança, comunicação criptografada, gerenciamento de identidade, registro imutável e detecção explicável de anomalias são mantidos ao longo de todo o fluxo de trabalho de migração. Esta figura foi criada pelos autores utilizando o Microsoft PowerPoint (Microsoft 365). Clique aqui para visualizar uma versão maior desta figura.

6. Configure o monitoramento de IA explicável

OBSERVAÇÃO: O esboço do processo é: identificar características de segurança da migração, construir um modelo para detectar irregularidades, reconhecer quando as ações de migração são suspeitas e produzir resultados explicáveis por meio de métodos de interpretação SHAP.

Extraia e pré-processe as características de telemetria de segurança necessárias para detecção de anomalias e análise de explicabilidade.
1. Colete registros de segurança de servidores de banco de dados, servidores de autenticação, servidores de aplicativos e sistemas de monitoramento de rede. Agregue todos os eventos relacionados à migração em um repositório centralizado de logs. Remova registros duplicados e entradas incompletas. Sincronize os carimbos de data/hora entre todas as fontes de log usando o tempo universal coordenado (UTC).
2. Calcule a frequência de acesso de cada usuário durante as operações de migração. Registre o número de tentativas de login malsucedidas associadas a cada conta. Monitore as alterações nos endereços IP de origem durante as sessões de migração.
3. Meça a duração da sessão do usuário desde a inicialização até a finalização do login. Calcule os volumes de transferência de dados de entrada e saída durante as atividades de migração. Normalize todas as características extraídas usando normalização Min-Max.
4. Tabela 3 resume as características de segurança utilizadas para detecção de anomalias e análise de explicabilidade.
Treine e valide o modelo Isolation Forest utilizando o conjunto de dados de características de segurança preparado.
1. Divida o conjunto de dados. Divida aleatoriamente o conjunto de dados em conjunto de treinamento (70%), conjunto de validação (15%) e conjunto de testes (15%). Mantenha uma distribuição consistente de eventos normais e anômalos em todos os subconjuntos.
2. Seleção do modelo de IA explicável. Selecione o algoritmo Isolation Forest porque ele detecta com eficiência atividades anômalas de migração sem exigir dados de treinamento rotulados. Utilize o algoritmo para isolar observações anômalas por meio de particionamento aleatório recursivo do espaço de características.
3. Aplique o SHAP TreeExplainer para quantificar a contribuição de cada característica de segurança na previsão de anomalias e melhorar a transparência do processo de monitoramento de segurança.
4. Configure o modelo de detecção de anomalias. Inicialize um modelo Isolation Forest. Configure o modelo utilizando os parâmetros listados na Tabela 4.
5. Defina a formulação matemática utilizada para calcular os escores de anomalia e explicar as contribuições das características.
  1. Defina o vetor de características de segurança para cada evento de migração conforme mostrado na Equação 1.
    x_i = [x₁ , x₂, x₃, x₄, x₅ ] (1)
    em que x₁ denota frequência de acesso, x₂ denota contagem de tentativas de login malsucedidas, x₃ denota frequência de alteração de endereço IP, x₄ denota duração da sessão e x₅ denota volume de transferência de dados.
  2. Extraia as características de segurança dos logs de migração. Normalize todos os valores das características antes do treinamento do modelo. Calcule o escore de anomalia do Isolation Forest para cada evento de migração utilizando a Equação 2.
    (2)
    em que S(X,n) denota o escore de anomalia da observação X, X denota o vetor de características de segurança, E(h(X)) é o comprimento esperado do caminho da observação X, c(n) é o comprimento médio do caminho em buscas malsucedidas em uma árvore binária de busca e n é o número total de amostras de treinamento. O fator de normalização é calculado conforme mostrado na Equação 3.
    (3)
    em que H(n-1) denota o (n-1)-ésimo número harmônico.
  3. Classifique eventos de migração com escores de anomalia superiores ao limiar de decisão pré-definido como anômalos.
  4. Aplique o SHAP (SHapley Additive exPlanations) para explicar a contribuição de cada característica de segurança na previsão de anomalias. Calcule o valor SHAP para a característica i utilizando a Equação 4.
    (4)
    em que (F) denota o conjunto completo de características, (S) denota um subconjunto de características e (f(.)) denota a função de previsão do Isolation Forest.
  5. Calcule a importância global das características computando o valor absoluto médio SHAP utilizando a Equação 5.
    (5)
    em que (N) denota o número total de eventos de migração.
  6. Ordene as características de segurança de acordo com seus valores absolutos médios SHAP. Gere gráficos resumo SHAP, gráficos de dependência e gráficos de força para visualizar a importância global e local das características.
6. Treine o modelo Isolation Forest utilizando o conjunto de dados de treinamento. Avalie o desempenho do modelo utilizando o conjunto de dados de validação. Se necessário, ajuste os limiares de contaminação. Armazene a configuração do modelo que apresentar melhor desempenho. Valide o desempenho do modelo. Determine métricas como acurácia, precisão, revocação, pontuação F1 e ROC-AUC. Registre as medidas de desempenho do modelo para comparação posterior.
Aplique o modelo treinado para identificar eventos de migração anormais e classificar atividades suspeitas.
1. Realize a previsão de anomalias. Aplique o modelo Isolation Forest treinado ao conjunto de dados de testes. Gere escores de anomalia para todos os eventos de migração.
2. Identifique atividades suspeitas. Determine se os eventos de migração são típicos ou anômalos. Marque como suspeitos os eventos que ultrapassarem os níveis pré-determinados de anomalia. Produza documentação de anomalias para análise de segurança.
3. A conclusão do processo de detecção de anomalias gera escores de anomalia, rotula eventos de migração como normais ou anômalos, mede a eficácia da detecção por meio de análise ROC e identifica principais anomalias de segurança. Exemplos de saídas produzidas pelo processo projetado são mostrados na Figura 4.
4. Categorize as anomalias detectadas. Classifique as anomalias em anomalias de autenticação, anomalias de rede, anomalias de sessão e anomalias de transferência de dados. Mantenha os rótulos de anomalia para a análise explicativa.
5. Avalie o desempenho da detecção. Verifique os incidentes de segurança registrados até a data. Em seguida, utilizando-os como referência, avalie as anomalias detectadas e determine quais delas foram verdadeiras anomalias. Determine a taxa de detecção de anomalias e a taxa de falsos positivos. Faça um registro oficial da documentação da acurácia de detecção para permitir sua reprodução.
Gere explicações baseadas em SHAP para interpretar a contribuição de características individuais de segurança nas previsões de anomalias.
1. Configure o ambiente SHAP. Carregue o modelo Isolation Forest treinado. Inicialize o SHAP TreeExplainer. Verifique a integração bem-sucedida entre o modelo de detecção de anomalias e o framework de explicabilidade.
2. Selecione amostras de referência. Selecione aleatoriamente 1.000 amostras representativas do conjunto de dados de treinamento. Utilize as amostras selecionadas como conjunto de dados de referência SHAP. Calcule os valores SHAP. Compute os valores SHAP para todas as anomalias detectadas. Meça as contribuições individuais das características nas previsões de anomalias. Armazene as saídas SHAP para análises posteriores.
3. Gere explicações globais. Crie gráficos resumo SHAP mostrando a importância geral das características. Gere gráficos de barras SHAP com base nos valores absolutos médios SHAP. Produza gráficos de dependência SHAP para características altamente influentes.
4. Gere explicações locais. Selecione eventos representativos de migração anômala. Crie gráficos de força SHAP e gráficos de cascata. Visualize as contribuições das características responsáveis por cada anomalia.
5. Exemplos representativos de saídas de explicabilidade geradas durante o processo de interpretação são mostrados na Figura 5. Essas visualizações demonstram a importância global das características, os rankings de contribuição das características, as relações de dependência entre características de segurança influentes e explicações locais para eventos individuais de migração anômala.
6. Ordene as características de segurança. Calcule os valores absolutos médios SHAP para todas as características. Ordene as características de acordo com sua contribuição para a detecção de anomalias. Identifique os indicadores de segurança mais influentes que afetam a segurança da migração. Tabela 5 resume os rankings de importância das características baseados em SHAP.
7. Valide a consistência das explicações. Repita a análise SHAP em cinco execuções experimentais independentes. Meça a estabilidade e consistência das explicações. Verifique se os rankings das características permanecem estáveis ao longo das análises repetidas.
  NOTA: Tabela 6 fornece problemas comuns encontrados durante a detecção explicável de anomalias e as ações corretivas recomendadas.

Característica	Descrição	Finalidade
Frequência de Acesso	Número de solicitações de acesso do usuário durante a migração	Detectar comportamento anômalo de acesso
Contagem de Logins Falhados	Número de tentativas de autenticação não bem-sucedidas	Identificar tentativas de acesso por força bruta ou não autorizadas
Mudanças de Endereço IP	Frequência de alterações no endereço IP de origem	Detectar comportamento suspeito na rede
Duração da Sessão	Duração das sessões do usuário durante a migração	Identificar atividades anômalas nas sessões
Volume de Transferência de Dados	Quantidade de dados transferidos durante a migração	Detectar movimentação incomum ou exfiltração de dados

Tabela 3: Características de telemetria de segurança utilizadas para detecção explicável de anomalias. A tabela apresenta as características de segurança que foram monitoradas durante a migração do banco de dados, seus significados, as formas pelas quais foram medidas e como contribuíram para a detecção de anomalias e a análise de explicabilidade.

Parâmetro	Valor	Descrição
Algoritmo	Isolation Forest	Modelo de detecção de anomalias
n_estimators	100	Número de árvores de isolamento
contamination	0,02	Proporção esperada de anomalias
max_samples	Automático	Amostras utilizadas por árvore
random_state	42	Semente para reprodutibilidade
bootstrap	Falso	Amostragem sem reposição
Conjunto de Treinamento	70%	Dados para treinamento do modelo
Conjunto de Validação	15%	Validação de hiperparâmetros
Conjunto de Testes	15%	Avaliação final do modelo

Tabela 4: Configuração da Floresta de Isolamento utilizada para detectar anomalias durante a migração segura de banco de dados. Esta tabela detalha os ajustes dos hiperparâmetros do modelo de Floresta de Isolamento para o treinamento, como a forma como o conjunto de dados foi dividido, o nível de contaminação, o número de estimadores, a semente aleatória e a configuração da avaliação.

figure-protocol-8
Figura 4: Resultados representativos do framework de detecção de anomalias durante a migração segura de dados para a nuvem. (A) Distribuição dos escores de anomalia do Isolation Forest mostrando o limiar de anomalia. (B) Classificação dos eventos de migração em categorias normais e anômalas. (C) Curva característica de operação do receptor (ROC) demonstrando o desempenho do modelo Isolation Forest (AUC = 0,97 ± 0,01). (D) Eventos de migração anômalos representativos mostrando escores de anomalia, rótulos previstos, características de segurança influentes e categorias de anomalia. Esta figura foi gerada pelos autores usando Python 3.11 (Matplotlib 3.9) e formatada usando Microsoft PowerPoint (Microsoft 365). Clique aqui para visualizar uma versão maior desta figura.

figure-protocol-9
Figura 5: Exemplos de saídas de explicabilidade baseadas em SHAP produzidas durante a interpretação de anomalias. (A) Gráfico resumo do SHAP destacando as características mais importantes globalmente. (B) Classificação de características de segurança com base em seus valores médios absolutos de SHAP. (C) Gráficos de dependência do SHAP demonstrando como o número de tentativas de login fracassadas e o volume de transferência de dados afetam a previsão de anomalia. (D) Gráfico de força do SHAP oferecendo uma explicação local para um evento típico de migração anormal. Esses gráficos demonstram a interpretabilidade global e local do modelo proposto de detecção de anomalias. Esta figura foi gerada pelos autores usando Python 3.11 (Matplotlib 3.9) e formatada usando Microsoft PowerPoint (Microsoft 365). Clique aqui para visualizar uma versão maior desta figura.

Posição	Característica	Valor Absoluto Médio SHAP	Interpretação
1	Contagem de Tentativas de Login Falhadas	0.352	Indicador mais influente de atividade anômala
2	Volume de Transferência de Dados	0.287	Grande contribuição para a detecção de anomalias
3	Mudanças de Endereço IP	0.221	Indica comportamento suspeito na rede
4	Duração da Sessão	0.184	Associada a sessões de usuário anormais
5	Frequência de Acesso	0.156	Reflete padrões de acesso incomuns

Tabela 5: Pontuações de importância das características SHAP para dados de telemetria de segurança. A tabela mostra a classificação das características de segurança de acordo com seus valores médios absolutos SHAP e descreve suas respectivas contribuições para a predição de anomalias.

Problema	Causa possível	Solução recomendada
Poucas anomalias detectadas	Parâmetro de contaminação muito baixo	Aumente o limiar de contaminação e treine novamente o modelo.
Taxa elevada de falsos positivos	Registros de migração ruidosos ou inconsistentes	Limpe os dados de registro e normalize as características de segurança antes do treinamento do modelo.
Explicações SHAP instáveis	Número insuficiente de amostras de referência	Aumente o número de amostras de referência representativas utilizadas pelo SHAP.
Baixa precisão na detecção de anomalias	Desbalanceamento de características ou pré-processamento inadequado	Aplicar normalização de características, balanceamento e procedimentos de controle de qualidade.
Convergência lenta do modelo	Conjunto de dados grande ou recursos computacionais limitados	Optimize os hiperparâmetros ou utilize GPU/processamento paralelo.
Falhas de comunicação	Instabilidade de rede durante o monitoramento	Verifique os canais de comunicação segura e repita a sincronização.
Características de segurança ausentes	Coleta incompleta de registros	Valide as fontes de registros antes da extração de características e regenere o conjunto de dados de características.

Tabela 6: Guia para solução de problemas na migração segura de banco de dados baseada em Inteligência Artificial Explicável. Esta tabela fornece um resumo dos problemas típicos de implementação, razões possíveis, sinais diagnósticos, ações recomendadas e resultados esperados como consequência da execução do protocolo e sua reprodutibilidade.

7. Avaliação do desempenho

OBSERVAÇÃO: Esta seção descreve o procedimento experimental utilizado para comparar o framework de migração de linha de base com o framework de migração proposto baseado em IA explicável com abordagem de zero confiança. A avaliação de desempenho inclui segurança, capacidade de detecção de anomalias, eficiência na migração e validação estatística sob condições experimentais idênticas.

Configure os ambientes de referência e proposto sob condições idênticas para permitir uma comparação justa de desempenho.
1. Configure o ambiente convencional de migração. Configure credenciais estáticas de longo prazo com um período de validade superior a 24 h. Habilite pontos de extremidade de rede pública para acesso ao banco de dados. Desative mecanismos de detecção e explicabilidade de anomalias baseados em IA. Monitore atividades de migração manualmente usando registros de segurança convencionais. Registre eventos de migração para comparação subsequente de desempenho.
2. Configure o framework de migração de confiança zero. Habilite credenciais temporais com privilégio mínimo e expiração automática após a conclusão da migração. Desative todos os pontos de extremidade de rede pública. Habilite comunicação por rede privada usando canais seguros.
3. Implante o modelo treinado de detecção de anomalias Isolation Forest. Habilite o SHAP TreeExplainer para interpretação do modelo. Configure monitoramento de segurança automatizado durante todo o processo de migração. Verifique a comunicação segura entre todos os componentes da migração antes da execução.
Realize experimentos repetidos de migração sob condições controladas para avaliar a reprodutibilidade do framework.
1. Realize o experimento de migração. Execute dez experimentos de migração independentes para os ambientes de referência e proposto. Mantenha configurações idênticas de hardware, software e rede durante todos os experimentos.
2. Migre 10 GB de dados de saúde em cada execução experimental. Repita todos os experimentos sob condições de carga de trabalho idênticas. Registre eventos de segurança, logs de migração, saídas de detecção de anomalias e tempos de execução durante cada experimento.
3. Valide a integridade da migração. Calcule as somas de verificação SHA-256 antes e depois da migração. Verifique a integridade completa dos dados após cada experimento de migração. Documente os resultados da validação das somas de verificação.
Calcule métricas quantitativas de segurança, migração e detecção de anomalias para avaliação comparativa.
1. Meça o desempenho de segurança. Meça a duração da exposição das credenciais. Calcule o número de credenciais expostas durante a migração. Meça o tempo de detecção de incidentes. Registre a duração da exposição à rede pública.
2. Avalie o desempenho da detecção de anomalias. Calcule a acurácia da detecção de anomalias, precisão, revocação, pontuação F1 e área sob a curva ROC (AUC). Avalie o desempenho da migração. Meça a latência total da migração e calcule a taxa de transferência da migração. Registre a sobrecarga de comunicação introduzida pelos mecanismos de segurança.
3. Realize validação estatística. Calcule a média e o desvio padrão para todas as métricas de desempenho. Compute intervalos de confiança de 95%. Realize testes t pareados de Student para comparar os frameworks de referência e proposto. Considere significância estatística em p < 0,05. Resultados representativos da avaliação de desempenho gerados durante a comparação experimental são mostrados na Figura 6.
4. Tabela 7 resume a comparação quantitativa de desempenho entre o framework de referência e o proposto.
  Tabela 8 resume problemas comuns de implementação encontrados durante a migração segura de bancos de dados, suas causas possíveis e ações corretivas recomendadas.

figure-protocol-10
Figura 6: Comparação de desempenho entre a estrutura de migração de referência e a estrutura proposta de migração segura para a nuvem com IA explicável e baseada em zero confiança. (A) Comparação da duração da exposição de credenciais utilizando credenciais de longo prazo e de privilégio mínimo temporais. (B) Comparação de métricas de desempenho na detecção de anomalias, incluindo acurácia, precisão, revocação, pontuação F1 e AUC. (C) Comparação da latência de migração em dez execuções experimentais independentes, mostrando que o aumento da latência permaneceu abaixo do limiar de aceitação predefinido. (D) Comparação estatística de métricas-chave de desempenho utilizando testes t de Student pareados, mostrando diferenças médias e intervalos de confiança de 95%. As barras de erro representam os intervalos de confiança de 95% obtidos a partir de dez execuções experimentais independentes. Esta figura foi gerada pelos autores usando Python 3.11 (Matplotlib 3.9) e formatada usando Microsoft PowerPoint (Microsoft 365). Clique aqui para visualizar uma versão maior desta figura.

Métrica de Desempenho	Framework de Referência (Média ± DP)	Framework Proposto (Média ± DP)	Melhoria	Intervalo de Confiança de 95%	p-valor
Duração da Exposição de Credenciais (h)	24,70 ± 1,32	0,42 ± 0,18	redução de 98,3%	23,6–24,9	<0,001
Precisão na Detecção de Anomalias (%)	72,4 ± 2,1	94,6 ± 1,3	+22,2%	20,8–23,5	<0,001
Precisão (%)	68,1 ± 2,5	92,7 ± 1,5	+24,6%	23,1–26,0	<0,001
Recall (%)	70,3 ± 2,4	93,1 ± 1,6	+22,8%	21,4–24,2	<0,001
Pontuação F1 (%)	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
Latência de Migração (min)	87,6 ± 3,2	97,4 ± 2,9	sobrecarga de 11,2%	8,9–10,7	0,002
Integridade dos Dados (%)	99,8	100,0	m melhoria de 0,2%	N/A	0,031
Exposição à Rede Pública	Habilitado	Eliminado	100% eliminado	N/A	<0,001

Tabela 7: Comparação de desempenho entre estruturas de migração de banco de dados seguras existentes e propostas. A tabela exibe a duração da exposição de credenciais, eficácia na detecção de anomalias, latência de migração, integridade dos dados e melhorias de segurança avaliadas quantitativamente durante a validação do protocolo.

Problema	Causa possível	Solução recomendada
Falha na autenticação da migração	Credenciais temporárias expiradas ou inválidas	Regenere as credenciais temporárias e verifique as políticas IAM antes de reiniciar a migração.
Alta latência na migração	Congestionamento de rede ou largura de banda insuficiente	Otimize o roteamento de rede, agende a migração em períodos de baixo tráfego e verifique a conectividade dos pontos finais.
Alertas de anomalia com falso positivo	Limite de contaminação inadequado na Floresta de Isolamento	Ajuste o parâmetro de contaminação utilizando o conjunto de dados de validação e treine novamente o modelo.
Explicações SHAP instáveis	Amostras de fundo insuficientes ou não representativas	Aumente o tamanho da amostra de fundo do SHAP e garanta uma amostragem representativa.
Inconsistência na integridade dos dados	Migração interrompida ou transferência de dados corrompida	Execute novamente a migração após validar os valores de checksum SHA-256 e a consistência entre origem e destino.
Falha na conexão com ponto final seguro	Erros na configuração de firewall ou TLS	Verifique os certificados SSL/TLS, as regras de firewall e a configuração do ponto final privado.
Baixa precisão na detecção de anomalias	Extração de características incompleta ou pré-processamento inadequado	Revise a engenharia de características, normalize as características de segurança e treine novamente o modelo.
Problemas de convergência do modelo	Hiperparâmetros inadequados	Ajuste os parâmetros de aprendizado e valide o desempenho do modelo antes da implantação.

Tabela 8: Guia de solução de problemas para migração segura de banco de dados em saúde. A tabela lista erros frequentes durante a migração, suas causas possíveis, medidas corretivas recomendadas e resultados esperados para garantir uma execução confiável do protocolo de migração segura.

Resultados

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

Visão geral do experimento

O protocolo proposto de migração segura de dados em nuvem habilitado por inteligência artificial explicável (XAI) foi avaliado usando um conjunto de dados sintéticos na área de saúde, composto por aproximadamente 20 milhões de registros eletrônicos de saúde (EHR) distribuídos em 28 tabelas relacionais de banco de dados, totalizando 10 GB. Os experimentos foram realizados em um ambiente de nuvem da Amazon Web Services (AWS), utilizando Amazon RDS PostgreSQL 16, rede privada virtual (VPC) privada, comunicação criptografada com TLS 1.3 e serviços de monitoramento centralizado. Dez experimentos independentes de migração foram realizados sob condições idênticas de hardware, software, rede e carga de trabalho, a fim de garantir a reprodutibilidade e minimizar o viés experimental. Todos os valores de desempenho relatados representaram a média das dez execuções experimentais. A significância estatística foi avaliada por meio de testes t pareados de Student após verificação de normalidade utilizando o teste de Shapiro-Wilk (p < 0.05).

Resultados da preparação e validação do conjunto de dados

O conjunto de dados de saúde sintético foi gerado com sucesso de acordo com as especificações do protocolo. A validação dos dados confirmou a geração bem-sucedida de aproximadamente 20.000.000 de registros relacionados a pacientes distribuídos em 28 tabelas relacionais, incluindo dados demográficos dos pacientes, atendimentos clínicos, diagnósticos, laudos laboratoriais, medicamentos, metadados de imagens, informações de faturamento e registros médicos. A unicidade das chaves primárias, os relacionamentos entre chaves estrangeiras e as restrições de integridade referencial foram verificados com sucesso antes da migração. Aproximadamente 5% dos valores dos dados foram intencionalmente deixados em branco para simular bases de dados realistas de prontuários eletrônicos e foram posteriormente processados durante a limpeza dos dados. A avaliação da qualidade do conjunto de dados demonstrou validação bem-sucedida do esquema, faixas aceitáveis de valores e integridade referencial completa. O erro cumulativo de validação do conjunto de dados permaneceu abaixo de 0,1%, indicando que o conjunto de dados gerado era adequado para experimentos de migração segura, conforme mostrado na Tabela 1.

Resultados da implantação da arquitetura do sistema

A arquitetura de migração segura foi implantada e validada com sucesso antes da execução do fluxo de trabalho de migração. Todos os recursos em nuvem são operados dentro de uma Amazon Virtual Private Cloud isolada, utilizando sub-redes privadas, grupos de segurança e políticas de acesso baseadas em identidade. As comunicações com o banco de dados foram protegidas por meio de criptografia TLS 1.3, e as credenciais de migração foram geradas dinamicamente de acordo com a política de privilégio mínimo temporal. Registros de autenticação, registros de migração, eventos de banco de dados, eventos de rede e registros de auditoria de segurança foram coletados continuamente por meio do Amazon CloudWatch. Durante todas as execuções experimentais, as comunicações ocorreram exclusivamente por meio de endpoints de rede privados, e nenhum serviço de banco de dados acessível publicamente foi detectado. O monitoramento contínuo demonstrou comunicação estável entre todos os componentes da migração, sem interrupções inesperadas de serviço ou falhas de autenticação, conforme mostrado na Figura 2.

Resultados do fluxo de trabalho de migração segura

Modelagem de ameaças

O modelo de ameaça predefinido identificou com sucesso roubo de credenciais, ataques de insider, ataques de replay, ataques de homem no meio, adulteração de esquema e cenários de elevação de privilégios. Os controles de segurança implementados mitigaram eficazmente todas as ameaças identificadas antes da execução da migração, conforme resumido na Tabela 2.

Transferência do esquema do banco de dados

A migração do esquema do banco de dados foi concluída com sucesso em todos os testes experimentais. Todas as tabelas relacionais, índices, procedimentos armazenados, restrições, metadados, chaves primárias e chaves estrangeiras foram transferidos sem inconsistências estruturais ou desvios no esquema.

Migração segura de dados

O processo de migração foi concluído com sucesso em todos os dez ensaios experimentais, sem interrupções no fluxo de trabalho ou falhas de transação. A transferência segura de dados foi mantida durante todo o processo de migração utilizando canais de comunicação criptografados por meio de pontos finais de rede privada.

Validação da migração

A validação pós-migração confirmou a consistência completa entre os bancos de dados de origem e destino. A verificação do checksum SHA-256 apresentou correspondência de 100% em todas as tabelas migradas, demonstrando que nenhuma corrupção de dados ocorreu durante a transmissão. A validação da contagem de registros confirmou a migração bem-sucedida de todos os 20 milhões de registros, sem perda, duplicação ou truncamento. A validação de chaves primárias, chaves estrangeiras, índices, definições de esquema e restrições do banco de dados confirmou a preservação completa da integridade do banco de dados. Nenhum desvio de esquema, eventos de reversão, falhas de transação ou inconsistências na migração foram observados durante todo o período de avaliação. A quantificação dos resultados de integridade é apresentada na Tabela 9.

Métrica de validação	Resultado observado	Critério de aceitação	Status
Total de registros médicos migrados	20.000.000	20.000.000	Aprovado
Tabelas de banco de dados relacional migradas	28	28	Aprovado
Tamanho do conjunto de dados migrado	10 GB	10 GB	Aprovado
Verificação de checksum SHA-256	Correspondência de 100%	Correspondência de 100%	Aprovado
Consistência na contagem de registros	100%	100%	Aprovado
Validação de esquema	Todas as tabelas validadas	Sem erros de esquema	Aprovado
Integridade da chave primária	Verificada	Sem violações	Aprovado
Integridade da chave estrangeira	Verificada	Sem violações	Aprovado
Taxa de corrupção de dados	0%	0%	Aprovado
Desvio de esquema (schema drift)	Não observado	Nenhum	Aprovado
Eventos de reversão (rollback)	0	0	Aprovado
Taxa de conclusão da migração	100%	100%	Aprovado

Tabela 9: Resultados da validação da integridade dos dados após a migração segura do banco de dados. Apresenta as principais métricas de verificação de integridade do lado quantitativo. Estas incluem a verificação de correspondência das somas hash SHA-256, a consistência na contagem de registros, a validação do esquema, a preservação de restrições de chave, a conclusão da migração, eventos de reversão e o sucesso geral de dez experimentos de migração separados.

Tabela 9 resume os resultados da validação da integridade dos dados quantitativos obtidos após a migração segura dos dados para a nuvem. Os resultados demonstraram que todos os critérios de aceitação da migração foram satisfeitos nas dez execuções experimentais independentes.

Endurecimento pós-migração

O gerenciamento temporal de credenciais com privilégio mínimo melhorou substancialmente a segurança das credenciais em comparação com o framework convencional de migração. A duração média das credenciais diminuiu de 24,7 ± 1,3 h no ambiente de referência para 0,42 ± 0,18 h no framework proposto, representando uma redução de 98,3% na duração da exposição das credenciais. As credenciais temporárias foram revogadas imediatamente após a conclusão da migração, e nenhuma tentativa de autenticação não autorizada com credenciais expiradas foi detectada durante qualquer execução experimental. A remoção de credenciais de longa duração reduziu a superfície de ataque potencial, mantendo o desempenho ininterrupto da migração, conforme mostrado na Figura 3.

Resultados do monitoramento de IA explicável

Extração de características de segurança

A telemetria de segurança foi coletada com sucesso a partir de servidores de banco de dados, serviços de autenticação, servidores de aplicação e sistemas de monitoramento de rede. A extração de características gerou medições normalizadas da frequência de acesso, quantidade de logins falhados, alterações de endereço IP, duração da sessão e volume de transferência de dados para detecção de anomalias, conforme descrito na Tabela 3.

Desempenho do modelo de detecção de anomalias

O modelo Isolation Forest demonstrou desempenho robusto na detecção de anomalias em 10 experimentos independentes. A acurácia média, precisão, revocação, pontuação F1 e área sob a curva da característica de operação do receptor (AUC) foram de 94,6 ± 1,3%, 92,7 ± 1,5%, 93,1 ± 1,6%, 92,9 ± 1,4% e 0,97 ± 0,01, respectivamente. A configuração do modelo seguiu os parâmetros resumidos na Tabela 4.

Detecção de anomalias de segurança

A estrutura de monitoramento proposta reduziu o tempo médio de detecção de incidentes de mais de 24 h no ambiente de referência para aproximadamente 15 min. As detecções de falsos positivos permaneceram abaixo de 3%, e nenhuma falha crítica de migração permaneceu indetectada durante todo o período de avaliação. As saídas representativas da detecção de anomalias são apresentadas na Figura 4.

Análise de explicabilidade

O TreeExplainer do SHAP gerou resultados interpretáveis de atribuição de características para todas as anomalias detectadas. Um conjunto de dados de referência contendo 1.000 amostras representativas de treinamento foi utilizado para calcular os valores SHAP. A análise global de explicação identificou consistentemente a contagem de falhas no login, o volume de transferência de dados, mudanças de endereço IP, duração da sessão e frequência de acesso como as características mais influentes nas previsões de anomalia. Análises repetidas de explicabilidade em dez execuções experimentais produziram classificações de características quase idênticas, demonstrando uma interpretação estável do modelo. Explicações locais do SHAP identificaram ainda os principais fatores que contribuem para previsões individuais de anomalia, aumentando assim a transparência do processo de monitoramento de segurança. As saídas representativas de explicabilidade são mostradas na Figura 5, enquanto os respectivos rankings de importância das características são resumidos na Tabela 5.

Resultados da avaliação de desempenho

A comparação com o framework de migração de referência demonstrou melhorias substanciais em múltiplas métricas de segurança. A duração da exposição de credenciais diminuiu em 98,3%, a precisão na detecção de anomalias aumentou de 72,4 ± 2,1% para 94,6 ± 1,3% e os pontos finais de migração acessíveis publicamente reduziram-se de seis para zero. O tempo médio de detecção de incidentes foi significativamente reduzido, mantendo-se ao longo da avaliação a integridade completa da migração. Embora os controles de segurança adicionais tenham aumentado a latência de migração em 11,2 ± 2,9%, o aumento observado permaneceu abaixo do limite de aceitação pré-definido de 15%, indicando que as melhorias de segurança foram alcançadas com impacto mínimo na eficiência da migração. Os resultados representativos da avaliação de desempenho são apresentados na Figura 6, e a comparação quantitativa entre os frameworks de referência e proposto está resumida na Tabela 7.

Validação estatística e reprodutibilidade

A análise estatística demonstrou melhorias significativas na duração da exposição às credenciais, na precisão da detecção de anomalias, no tempo de detecção de incidentes e na latência de migração entre as estruturas de referência e a proposta (teste t de Student pareado, p < 0,05). Os intervalos de confiança de 95% calculados mostraram baixa variabilidade ao longo das 10 execuções experimentais independentes, confirmando a reprodutibilidade e estabilidade do protocolo proposto. Os resultados detalhados de cada experimento são apresentados na Tabela 10.

Execução Experimental	Duração da Exposição de Credenciais (h)	Precisão na Detecção de Anomalias (%)	Latência de Migração (min)	Validação SHA-256	Status da Migração
Execução 1	0.45	94,3	96,8	Aprovado	Bem-sucedida
Execução 2	0,41	95	98,2	Aprovado	Bem-sucedida
Execução 3	0,39	94,7	95,9	Aprovado	Bem-sucedida
Execução 4	0,44	94,5	97,6	Aprovado	Bem-sucedida
Execução 5	0,43	94,8	96,9	Aprovado	Bem-sucedida
Execução 6	0,4	94,2	98,5	Aprovado	Bem-sucedida
Execução 7	0,42	95,1	97,2	Aprovado	Bem-sucedida
Execução 8	0,38	94,6	96,7	Aprovado	Bem-sucedida
Execução 9	0,43	94,9	97,8	Aprovado	Bem-sucedida
Execução 10	0,41	94,5	97	Aprovado	Bem-sucedida
Média ± DP	0,42 ± 0,02	94,66 ± 0,29	97,26 ± 0,80	100% Aprovado	10/10 Bem-sucedidas

Tabela 10: Reprodutibilidade experimental em dez execuções separadas de migração. A tabela apresenta um resumo do intervalo de tempo durante o qual uma credencial foi exposta, da precisão na detecção de anomalias, do atraso de uma migração, do status da validação SHA-256 e do sucesso da migração em cada execução experimental, demonstrando assim a estabilidade e reprodutibilidade do framework proposto de migração segura para a nuvem sob as mesmas condições experimentais.

A Tabela 10 apresenta os resultados detalhados de todas as dez execuções experimentais independentes, demonstrando a consistência, estabilidade e reprodutibilidade do protocolo proposto de migração segura para a nuvem sob condições experimentais idênticas.

A avaliação experimental demonstrou que a integração da segurança baseada em zero confiança, controle de acesso temporal com privilégio mínimo, monitoramento contínuo de anomalias e explicabilidade baseada em SHAP aprimorou a segurança da migração, mantendo a integridade completa do banco de dados e um desempenho de migração aceitável. Como os experimentos foram conduzidos utilizando um conjunto de dados sintético de saúde em um ambiente de nuvem controlado, esses resultados devem ser interpretados dentro da configuração experimental avaliada. Será necessária validação adicional utilizando infraestruturas operacionais de saúde, conjuntos de dados clínicos reais e ambientes de nuvem multi-institucionais antes de generalizar o protocolo para implantação rotineira em sistemas de saúde em produção.

Discussão

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

Nesta pesquisa, foi desenvolvido um protocolo reprodutível e seguro para migração de banco de dados em nuvem que incorpora princípios de segurança de confiança zero, controle de acesso baseado em tempo e privilégio mínimo, inteligência artificial explicável (XAI) e monitoramento contínuo de segurança, tudo dentro de uma configuração experimental restrita. A intenção deste artigo não foi utilizar um novo algoritmo de migração; portanto, os autores apresentam principalmente um fluxo de trabalho padronizado que permite aos pesquisadores e profissionais realizarem, avaliarem e reproduzirem a migração segura de bancos de dados de saúde por meio de etapas procedimentais claramente definidas. O sucesso da implementação do protocolo depende da execução cuidadosa de algumas etapas muito importantes. A modelagem de ameaças com alta precisão é de grande ajuda para identificar os ativos que serão migrados, as formas pelas quais os atacantes podem obter acesso e o conjunto de controles de segurança que serão eficazes, tudo isso realizado antes da migração. A validação do esquema do banco de dados é uma etapa que deve ser concluída antes da transferência de dados, a fim de evitar inconsistências estruturais e desvios no esquema. Em termos de migração, credenciais temporárias precisam ser geradas seguindo o princípio do privilégio mínimo temporal, deve-se manter o uso do protocolo criptográfico TLS 1.3 para proteger a comunicação e os logs de migração devem ser coletados continuamente para uso em monitoramento de segurança e auditoria. O ambiente de migração deve ser esvaziado, e abandoná-lo só será apropriado quando tarefas como verificação de checksum SHA-256, validação da contagem de registros e verificações de consistência de esquema tiverem sido realizadas, demonstrando que a integridade do banco de dados foi preservada.

O componente de monitoramento de anomalias explicável também requer etapas cuidadosas de configuração para alcançar resultados reprodutíveis. Entre os fatores importantes que influenciam o desempenho da detecção de anomalias e a qualidade das explicações estão a seleção de características apropriadas de telemetria de segurança, o pré-processamento consistente dos logs de monitoramento, os hiperparâmetros adequados da Floresta de Isolamento e um conjunto de dados de referência representativo para o SHAP. Alterações nessas configurações podem resultar em mudanças nos escores de anomalia, nos valores de atribuição de características e na interpretabilidade geral do modelo. Portanto, recomenda-se aos pesquisadores que as versões do software, os parâmetros do modelo e as configurações de avaliação permaneçam idênticas para reproduzir o protocolo.

Os procedimentos de solução de problemas do protocolo são projetados para ajudar os usuários a resolver problemas comuns de implementação, como incompatibilidades de esquema, interrupções de rede, falhas de autenticação, detecções excessivas de falsos positivos e sobrecarga de latência na migração. A validação sistemática após cada etapa do protocolo será capaz de identificar esses problemas e corrigi-los antes de executar as próximas etapas da migração. Esta é uma das formas de aumentar a confiabilidade e a reprodutibilidade do fluxo de trabalho experimental.

Embora a avaliação experimental tenha demonstrado que a configuração testada poderia melhorar a proteção de credenciais, detecção de anomalias, explicabilidade e integridade da migração, os resultados devem ser considerados específicos apenas ao escopo desta pesquisa. O protocolo foi testado apenas com um conjunto de dados sintéticos de saúde em um ambiente de laboratório em nuvem, e não em um sistema real de informação em saúde. Os resultados apresentados aqui não devem ser considerados como comprovação de conformidade regulatória ou uso clínico. Em vez disso, indicam que a técnica pode ser implementada em um ambiente de laboratório controlado e fornece uma estrutura que pode ser utilizada por outros para estudos adicionais de validação.

Vários estudos recentes investigaram a migração segura para a nuvem em saúde, arquiteturas de segurança de confiança zero e inteligência artificial explicável; no entanto, a maioria focou mecanismos de segurança individuais em vez de um fluxo de trabalho integrado e reprodutível para migração. A Arquitetura de Confiança Zero do NIST fornece orientações abrangentes para verificação contínua de identidade e controle de acesso com privilégio mínimo, mas não define um protocolo padronizado para migração segura de banco de dados ou monitoramento de segurança explicável durante a migração¹. Da mesma forma, as estruturas existentes para migração de serviços de saúde para a nuvem enfatizam principalmente a adoção da nuvem, criptografia, governança e conformidade regulatória, mas oferecem orientações procedimentais limitadas para execução, validação e reprodutibilidade da migração segura^7,8,⁹. Abordagens de segurança em nuvem impulsionadas por IA demonstraram capacidades aprimoradas de detecção de anomalias por meio de detecção de intrusões baseada em aprendizado de máquina e monitoramento de segurança; no entanto, esses métodos geralmente enfocam o desempenho da detecção sem incorporar explicações interpretáveis para apoiar auditorias de segurança e tomada de decisões administrativas⁶^,¹³. Técnicas de inteligência artificial explicável, como Explicações Aditivas de Shapley (SHAP) e Explicações Locais, Independentes de Modelo (LIME), melhoraram significativamente a transparência das previsões de aprendizado de máquina^17,18,19,²⁰, mas sua aplicação tem sido amplamente limitada à interpretação de modelos, em vez de integração em fluxos de trabalho completos e seguros de migração para a nuvem. Em contraste, o protocolo proposto combina arquitetura de confiança zero, gerenciamento temporal de credenciais com privilégio mínimo, migração de banco de dados criptografado, verificação de integridade baseada em checksum SHA-256, monitoramento centralizado contínuo, detecção de anomalias baseada em Isolation Forest e explicabilidade baseada em SHAP em um único fluxo de trabalho padronizado e reprodutível. Esse framework integrado aumenta a transparência, auditabilidade e reprodutibilidade, mantendo a integridade completa da migração e latência de migração aceitável nas condições experimentais avaliadas.

No entanto, existem muitas limitações que devem ser consideradas ao interpretar os resultados deste protocolo. Em primeiro lugar, a avaliação foi realizada utilizando um conjunto de dados sintético que pode não capturar toda a complexidade, variabilidade e desafios de segurança de bases de dados clínicas reais. Em segundo lugar, o protocolo foi testado apenas em um único ambiente de nuvem controlado; o desempenho pode variar em outros provedores de nuvem, plataformas de banco de dados ou infraestruturas de rede. Em terceiro lugar, embora os autores tenham utilizado um fluxo de trabalho tradicional de migração como controle, comparar seus resultados com outros métodos de migração segura e arquiteturas de segurança em nuvem seria benéfico para estudos futuros. Em quarto lugar, a validação estatística foi realizada com base em apenas dez experimentos de migração independentes; estudos em maior escala poderiam fornecer uma indicação mais precisa da robustez do protocolo. Em quinto lugar, os autores não consideraram explicitamente cenários de ataques adversários, como roubo de credenciais, ameaças internas, ransomware ou ataques persistentes avançados, os quais deveriam ser o foco de pesquisas futuras. Por fim, o desempenho do framework proposto dependerá diretamente da configuração das políticas de gerenciamento de identidade, parâmetros de detecção de anomalias, infraestrutura de registro e configurações de explicabilidade; se as configurações forem incorretas, tanto a segurança da migração quanto o desempenho do monitoramento serão negativamente afetados.

Geralmente, este protocolo oferece uma estrutura e um método que podem ser repetidos para o estudo de migração segura de banco de dados em nuvem por meio de inteligência artificial explicável em ambientes de pesquisa com controles. A validação e verificação do protocolo poderiam ser realizadas em trabalhos futuros mediante a execução de sistemas de informação em saúde em operação, utilizando diversas plataformas em nuvem, diferentes tecnologias de banco de dados e conjuntos de dados clínicos autênticos para a avaliação da escalabilidade, generalização e aplicabilidade prática do protocolo.

Este artigo descreve um método reprodutível para migração segura de banco de dados para a nuvem que combina princípios de segurança zero confiança, controle de acesso temporário com privilégios mínimos, inteligência artificial explicável (XAI) e monitoramento contínuo de segurança em um ambiente de nuvem controlado. O método especifica em detalhes as etapas de preparação do conjunto de dados, modelagem de ameaças, migração segura, verificação de integridade, detecção de anomalias, análise de explicabilidade e avaliação de desempenho. Experimentos com um conjunto de dados sintético na área de saúde mostraram que o protocolo pode aumentar a segurança das credenciais, manter a integridade da migração, detectar anomalias com precisão e monitorar a segurança de maneira interpretável, mantendo a latência da migração em um nível aceitável. O procedimento padronizado tem como objetivo tornar mais reprodutível a implementação e avaliação de estratégias de migração segura para a nuvem em ambientes acadêmicos.

Os resultados devem ser considerados dentro dos limites do ambiente experimental rigorosamente controlado que foi utilizado para este estudo. Como o protocolo foi testado com um conjunto de dados sintéticos de saúde em vez de um sistema real de informação em saúde, os resultados não devem ser vistos como indicadores de implantação clínica, conformidade regulatória ou implementação em larga escala na produção. Esforços subsequentes de pesquisa devem focar no uso de ambientes reais de saúde, diferentes plataformas em nuvem, diversas tecnologias de banco de dados e conjuntos de dados clínicos maiores para testar ainda mais a versatilidade, confiabilidade e utilidade do protocolo na prática.

Divulgações

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

Os autores declaram que não possuem interesses financeiros concorrentes, relações comerciais ou relações pessoais que poderiam ter influenciado o trabalho relatado neste estudo. Os autores não têm conflitos de interesse a declarar. Todos os materiais necessários para reproduzir a metodologia apresentada neste estudo estão publicamente disponíveis em um repositório no GitHub. O repositório está disponível em: https://github.com/priyankanalawade896-tech/XAI-Secure-Cloud-Data-Migration. O repositório contém apenas dados de referência gerados sinteticamente e não inclui nenhuma informação real de pacientes, informação de saúde protegida ou registros médicos identificáveis.

Agradecimentos

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

Os autores agradecem ao apoio institucional fornecido por suas respectivas instituições afiliadas durante o desenvolvimento e avaliação deste protocolo. Os autores também agradecem pela utilização das instalações computacionais institucionais e recursos de computação em nuvem que apoiaram a validação experimental do framework proposto para migração segura de dados em nuvem.
Esta pesquisa não recebeu financiamento externo. O estudo foi conduzido utilizando instalações e recursos computacionais de pesquisa institucionais fornecidos pelas instituições afiliadas dos autores. Nenhum financiamento por bolsa ou apoio financeiro foi recebido de qualquer agência pública, comercial ou sem fins lucrativos.

Materiais

Lista de materiais utilizados neste artigo
Nome	Empresa	Número de catálogo	Comentários
Criptografia AES	NIST	AES-256	Criptografia de dados em repouso
Amazon RDS PostgreSQL	Amazon Web Services	PostgreSQL 16	Banco de dados de destino
Plataforma em Nuvem	Amazon Web Services	AWS	Infraestrutura em nuvem
CloudWatch	Amazon Web Services	Última Versão Estável	Monitoramento e registro
Docker	Docker Inc.	27.0	Containerização
Faker	Desenvolvedores do Faker	30.0	Geração de dados sintéticos
GPU	NVIDIA	RTX 4090	24 GB de VRAM
Matplotlib	Desenvolvedores do Matplotlib	3.9	Visualização
NumPy	Desenvolvedores do NumPy	1.26	Processamento numérico
Sistema Operacional	Canonical	Ubuntu 22.04 LTS	Ambiente do sistema
Pandas	PyData	2.2	Processamento de dados
PostgreSQL	Grupo de Desenvolvimento Global do PostgreSQL	16	Banco de dados de origem
Python	Python Software Foundation	3.11	Linguagem de programação
Scikit-learn	Desenvolvedores do Scikit-learn	1.5	Aprendizado de máquina
SHAP	Desenvolvedores do SHAP	0.46	IA explicável
Terraform	HashiCorp	1.8	Provisionamento de infraestrutura
TLS	IETF	TLS 1.3	Criptografia de dados em trânsito
Nuvem Privada Virtual	Amazon Web Services	VPC	Ambiente de rede privada
Estação de Trabalho	Dell/HP	NA	Intel Xeon Gold 6226R, 64 GB de RAM, 1 TB de SSD

Referências

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

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.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Arquitetura Zero Trust Comunica o Criptografada Monitoramento Centralizado Detec o de Anomalias Isolation Forest Explica es de Shapley Integridade de Dados

Um Protocolo Experimental para Migração Segura de Dados em Nuvem Impulsionada por IA Explicável Utilizando Dados Sintéticos de Saúde

Neste artigo

Resumo

Resumo

Introdução

Protocolo

Resultados

Discussão

Divulgações

Agradecimentos

Materiais

Referências

Reimpressões e permissões

Etiquetas

Artigos relacionados