Search
E-mail
RSS

Journal of Cybersecurity >

2026 0

DOI: https://doi.org/10.20172/j.issn.2097-3136.260530

Quantum-Resistant medical data protection scheme integrating ML-KEM and blockchain

  • Wu Wei ,
  • Li Zhonghui , * ,
  • Yang Yang
Expand
  • School of Electronic Information Engineering, Anhui University, Hefei 230601, China

Received date: 2026-03-16

  Revised date: 2026-05-06

  Online published: 2026-06-01

Copyright

Copyright ©2026 Journal of Aeronautical Materials. All rights reserved.
Fold

Abstract

In today's healthcare environments, protecting sensitive medical data—such as electronic health records and medical images—has become increasingly critical due to the inherent limitations of traditional encryption systems and the rapidly emerging threat of quantum computing attacks. To effectively address these pressing vulnerabilities, this paper proposes a post-quantum medical data protection scheme integrating a Module-Lattice-Based Key-Encapsulation Mechanism (ML-KEM) with decentralized Blockchain technology. The proposed scheme employs ML-KEM to facilitate a quantum-resistant key exchange process and introduces an HKDF-based hierarchical key derivation mechanism combined with AES-256 to achieve parallel hybrid encryption. To eliminate single-point storage vulnerabilities, a dual-layer architecture is adopted: the data layer applies Reed-Solomon erasure coding for efficient fault-tolerant sharding, while the control layer applies Shamir's Secret Sharing to the ML-KEM encapsulation ciphertext, with all shares distributed across the InterPlanetary File System (IPFS) for decentralized storage. Furthermore, the system utilizes Blockchain technology alongside smart contracts to enforce tamper-proof access control and provide transparent log recording for all user activities. Comprehensive security analysis and simulation experiments demonstrate that the proposed scheme successfully withstands both classical and quantum cryptographic attacks, thereby guaranteeing data confidentiality and integrity. In addition, the system maintains a relatively low computational overhead during daily operations. Finally, this research improves the fault tolerance and security of distributed medical storage systems while enhancing the practical deployability and long-term scalability of the proposed scheme.

Key words： Medical Data; Post-Quantum Cryptography; Blockchain; Secret Sharing

Cite this article

Wu Wei , Li Zhonghui , Yang Yang . Quantum-Resistant medical data protection scheme integrating ML-KEM and blockchain[J]. Journal of Cybersecurity, 2026 . DOI: 10.20172/j.issn.2097-3136.260530

0 引言

近年来，医疗数字化的飞速发展催生了海量、多源、高速增长的医疗数据[1]，其中蕴含的关键诊疗信息价值日益凸显。为了应对这一趋势并挖掘医疗数据的潜能，基于云系统的医疗诊断应用而生，赋能更高效、可扩展的智能诊断与远程协作[2]。然而，基于云系统的医疗保健技术的广泛应用，也大幅增加了医疗数据隐私保护的安全需求[3,4]。一方面，虽然云系统在可访问性、可扩展性和成本效益方面为医疗机构提供了显著优势，但同时也将医疗数据暴露于各种安全威胁之下，包括数据泄露、未授权访问、数据篡改以及勒索软件攻击等。另一方面，跨机构或医疗平台共享的医疗数据通常需要由分布式的多样化实体进行访问，这进一步增加了数据安全防护的复杂性。一旦参与共享的任何一方出现安全漏洞，患者的敏感信息就可能面临泄露风险。基于云的医疗数据系统所面临的安全威胁不仅会导致隐私破坏、恶意篡改和服务中断，最终还将对患者的生命安全和财产构成严重威胁。
为了应对医疗隐私数据在开放网络环境中面临安全挑战，经典密码学技术被广泛应用于医疗数据的加密保护[5-7]。现有方案主要利用公钥密码技术来实现密钥的安全分发，从而有效地保障了医疗数据的安全性。在应对经典密码攻击时，这些 方法十分有效，因为经典密码学的安全性建立在经典计算机在多项式时间内难以攻克的数学难题基础之上。然而，现有的加密方案在量子攻击面前表现出明显的脆弱性[8-10]。借助强大的量子计算机，Shor算法可以在多项式时间内高效破解基于大整数分解和离散对数难题的公钥密码算法。因此，基于经典密码学的医疗数据保护方案已无法满足未来抗量子安全的要求。
在这样的背景下，后量子密码学(Post-Quantum Cryptography, PQC)作为经典密码学的补充被正式提出[11,12]。PQC算法能够确保即便未来强大的量子计算机淘汰传统的加密方法，机密数据依然能保持安全，即具备抗量子安全特性。目前主要存在四类PQC算法：基于格的密码、基于编码的密码、多变量密码以及基于哈希的密码。作为基于格密码的代表性算法，ML-KEM凭借其高效的密钥封装性能以及M-LWE难题的强安全性，被业界公认为值得选择的PQC算法[13]。同时，ML-KEM 已入选为 NIST PQC 标准化的核心算法之一。目前，诸多主流浏览器供应商(如Google)和网络安全机构(如Cloudflare)已着手将ML-KEM集成到传输层安全协议中，以实现抗量子安全的密钥交换[14]。可见，在面临可用量子计算机威胁的背景下，融合ML-KEM的加密方式是保障医疗数据安全的一种极具前景的技术手段。
然而，将ML-KEM等后量子密码技术直接应用于医疗场景时，仍面临若干医疗数据特有的工程挑战。其一，医学影像数据（如高分辨率CT、三维MRI）体积庞大，单文件动辄数百兆字节，传统混合加密方案采用单一会话密钥对整体数据进行串行加密，在此类大体积数据场景下面临严峻的计算延迟瓶颈，难以满足医疗系统的低延迟处理需求。例如当医师需要快速查看患者影像或系统需要实时分析影像数据，长时间加密延迟会影响诊疗效率和用户体验。其二，跨机构医疗数据共享场景要求系统在无单点存储的前提下实现受控的多方访问，现有方案若直接对大体积密文执行秘密共享，将导致严重的存储膨胀，在大容量医学影像的去中心化存储场景中代价极高。上述挑战共同驱动了本文在并行加密架构与双层分片存储机制方面的针对性设计。
为了应对上述问题，本文设计并实现了一种新型抗量子数据保护框架。在底层加密机制上，该框架构建了一种混合安全策略，将ML-KEM的安全密钥封装与AES-256的高效加密融合以实现抗量子安全，并引入基于HKDF的层级密钥衍生机制，支持大体积医疗数据的并行加解密处理。此外，为消除单点存储的脆弱性，系统采用双层分片架构对加密数据进行处理：数据层引入RS纠删码（Reed-Solomon Code）实现高效容错分片，控制层利用Shamir秘密共享对密钥封装密文进行安全分割，并将数据份额分布存储至去中心化的星际文件系统(InterPlanetary File System, IPFS)中，大幅提升了医疗数据的容错率与可用性。在此基础上，本方案依托区块链技术构建了防篡改的访问控制与日志网络，从机制上保证了医疗数据仅能在严格合法授权的约束下完成重构。
本文的主要贡献如下：
(1)本文提出了一种面向医疗大数据的并行抗量子混合加密方法。为克服传统混合加密方案在处理大体积医疗数据时采用单一会话密钥串行加密所导致的计算延迟瓶颈，本文在ML-KEM密钥封装机制与AES-256算法之间引入了基于HKDF的层级密钥衍生树，为每个明文块独立衍生子密钥，使各块加密任务之间不存在数据依赖，从而支持完全并行的加解密调度。
(2)针对传统方案直接对大体积密文执行Shamir秘密共享所导致的存储膨胀问题，本文提出数据层与控制层解耦的双层分片机制。数据层采用RS纠删码对密文进行分片，将存储冗余率从$ N $倍压缩至$ N/K $倍；控制层仅对体积固定的ML-KEM封装密文执行Shamir秘密共享，计算开销极低。两层均以门限$ K $为最小授权单元，结合IPFS的去中心化存储承载与区块链智能合约的防篡改访问控制，消除了单点故障与越权访问的安全隐患。
(3)本文提供了严谨的安全性证明与低开销的性能验证：通过系统的安全性分析，充分论证了本框架在应对量子计算安全威胁时的有效性；仿真实验进一步表明，系统在实际运行中保持了极低的计算开销，验证了其在分布式医疗环境下的优异可部署性与高效扩展性。
本文组织结构如下：第1节主要介绍了医疗数据保护、后量子密码及基于区块链系统的相关工作；第2节详细描述了系统模型以及所提方案的具体架构与设计；第3节对方案进行了严格的安全性分析；第4节展示并讨论了系统的仿真实验结果；最后，第5节对全文进行了总结，并对未来的研究方向进行了展望。

1 相关工作

本节首先对医疗数据安全保护的相关研究进行了概述。随后，介绍了PQC算法的发展情况，以彰显PQC算法相较于经典密码学在抗量子安全方面的显著优势。

1.1 基于区块链的医疗数据保护

区块链是一种分布式数据库技术，允许在不依赖中心化权威机构的情况下安全、透明地记录和验证数据[15-17]。Mettler等人[18]指出，区块链作为一场新的技术革命，将为医疗保健领域带来颠覆性的变革及众多应用机遇。Attia等人[19]提出了一种名为Fabric Hyperledger的区块链框架，用于保障医疗应用安全。该框架利用区块链为所有设备收集的数据提供分布式安全访问，但其未能充分考虑区块链内部的数据安全性。Alsamhi等人[20]提出了一种结合联邦学习与区块链的去中心化数据共享框架，强调了其在医疗数据完整性与隐私保护方面的优势。然而，该方案依赖RSA数字签名来防止身份伪装攻击。一旦量子计算机破解了私钥，攻击者即可伪造合法签名，从而大幅提高身份伪装攻击的成功率。Shen等人[21]为医疗系统提出了一种基于区块链和智能合约安全协议的新型可搜索加密方案。虽然区块链技术为医疗数据保护提供了变革性的潜力，但现有多数方法的安全性建立在传统加密技术之上，正面临着量子计算的严峻威胁。
此外，在医疗数据存储层面，部分研究引入了秘密共享机制以增强基于区块链技术的分布式系统的数据安全性。Shamir秘密共享凭借其信息论安全保证被广泛应用于区块链场景下的分布式密钥管理与数据共享场景[22]，但直接对大体积数据执行Shamir共享将导致存储膨胀，在大容量医学影像的上链存储代价极高。因此，需要IPFS的内容寻址机制，已有研究尝试将去中心化存储引入医疗场景，但普遍缺乏对存储冗余与抗量子密钥安全的系统性整合。

1.2 后量子密码学

经典加密技术已被广泛用于保护电子健康记录和医疗图像等医疗数据。Saleh 等人[23]使用改进的AES算法对医疗数据进行了加密。类似地，Chinnasamy等人[7]提出了一种改进的RSA密钥生成方案，该方案针对医疗保健场景进行了优化，并使用 Blowfish算法对密钥进行加密。Rehman等人[24]提出了一种混合AES-ECC模型来保护云存储数据，采用AES进行数据加密，采用 ECC进行密钥管理。Denis等人[25]提出了一种混合加密模型，将用于安全密钥分发的非对称加密与用于高效数据保护的对称加密相结合。虽然上述方法能有效抵御经典攻击。但是，由于它们依赖于整数分解和离散对数等数学难题，极易受到量子攻击的威胁，尤其是Shor算法。
为了应对量子攻击威胁，PQC算法应运而生，旨在抵御经典和量子双重攻击。PQC探索了传统数学难题之外的多种途径，包括基于编码的密码(如基于纠错码的Classic McEliece[26-27])、多变量多项式密码(如基于求解多元二次方程的Rainbow[28])以及基于哈希的密码(如基于抗碰撞哈希函数的 Lamport签名[29])。每种方案都提供了不同的安全权衡和计算特性。其中，基于格的方案(如ML-KEM)凭借其在资源受限环境下的高安全性和高效率，显得尤为引人瞩目。Fernández等人[30]指出，医疗领域迫切需要引入PQC来缓解量子计算带来的威胁。然而，在执行加密、解密、签名及验签等任务时，新型后量子密钥算法可能会消耗大量的时间、能量和计算资源。这对于具有时间敏感性要求的医疗物联网应用而言尤为重要。SaberiKamarposhti等人[31]强调，随着量子技术的进步，医疗行业必须始终走在抗量子网络安全措施的最前沿，以保护敏感的患者数据并维护其机密性、完整性和安全性。此外，现有混合加密方案在处理医疗大数据时普遍采用单一会话密钥对全体数据进行串行加密的策略。这种方式在处理高分辨率CT、三维MRI等大容量医学影像数据时会产生显著的计算延迟，难以满足医疗系统对低延迟处理的要求。如何在保持抗量子安全性的前提下提升大文件加密的并发效率，是现有方案尚未有效解决的工程问题。因此，还需构建一种全新的后量子医疗数据保护方案以应对上述挑战。

2 方案设计

本节详细介绍一种基于区块链的后量子医疗数据安全保护方法。该方法融合了后量子密码算法ML-KEM、经典对称加密技术以及区块链技术，并且针对大容量数据的计算瓶颈与存储冗余，引入了基于HKDF的层级密钥衍生并发机制与双层共享架构，旨在全面支持医疗数据的高效与安全保护。

2.1 方案概述

本文所提出的框架致力于为后量子时代的医疗数据存储和访问控制提供一种安全、高效的综合解决方案。如图1所示，整个系统由多个关键角色协作完成，各角色在加密、共享与恢复阶段分别承担不同的操作权限与职责：
图 1 总体流程框架

Fig.1 Overall Process Framework

(1)数据托管方：数据加密的发起者，可以是医生或者医疗保障人员。托管方是数据加密与上链的实际执行者。在获取授权后，托管方负责将医疗设备生成的原始影像数据进行加密、明文切块、RS纠删码分片操作，并将处理后的分片上传至IPFS。
(2)患者：患者是医疗数据的主体和最终所有权人，在本方案的去中心化架构中拥有对数据的最高控制权。患者首先通过认证注册唯一的数字身份，该身份与链上所有属于该患者的医疗记录进行绑定。
(3)数据请求者：包括具备相应权限的
医生、放射科医生或研究人员等。请求者需向智能合约提交访问请求，在获得授权后，方可通过检索到的数据份额重构医疗数据。
(4)证书授权中心(Certificate Authority，CA)：提供数字身份认证与密钥生成服务，为所有认证用户(包含患者、医疗专业人员及请求者)发放ML-KEM公私钥对。CA确保用户身份的合法性，并全面管理密钥的生命周期。
(5)智能合约：部署于区块链网络中，是数据请求者访问控制与授权验证的核心组件。合约通过核验链上的数字签名来确认用户身份与权限，确保仅有满足预设条件的授权用户才能执行数据恢复操作。

2.2 基于ML-KEM与AES的混合加密机制

加密阶段是本文所提框架的基石，旨在确保医疗数据在云环境中存储或共享之前的安全性与隐私性。为了解决传统混合加密过程使用单一会话密钥对整个文件进行串行加密而造成的计算资源浪费，该阶段在ML-KEM与AES算法之间引入了基于HKDF的层级密钥衍生树，实现了安全的并行加解密。本文所提出的系统采用ML-KEM-512作为密钥封装机制，严格遵循NIST FIPS 203标准。密钥生成过程由接收方发起，首先运行KeyGen算法以生成一对用于封装的密钥：
$ (pk,sk)\leftarrow \text{MLKEM}.K\text{ey}G\text{en}(\lambda ) $
式中安全参数$ \lambda $决定了格的维度，$ pk $为公钥，$ sk $为私钥。生成的私钥保存在接收方本地设备中，用于后续的密钥解封与数据解密操作。在实际部署中，可将私钥托管于硬件安全模块中，以防止私钥因设备丢失或系统漏洞而泄露。在正式的密钥交换前，为构建抗量子身份信任链并防止中间人攻击，引入了基于ML-DS-65的身份认证机制。CA作为全局信任根，需要运行ML-DSA密钥生成算法,生成其长期签名密钥对$ (p{k}_{CA},s{k}_{CA}) $，其中$ p{k}_{CA} $通过安全信道预置于所有系统参与方的本地可信环境中，作为验证所有后续证书的信任锚点，$ s{k}_{CA} $由CA严格保管，仅用于签发用户证书。接收方将生成的公钥$ pk $以及身份标识提交给CA。CA在完成严格的身份核验后，构造包含身份标识、公钥与有效期时间戳的证书消息，并利用其ML-DSA-65私钥执行ML-DSA算法对接收方的公钥进行数字签名，并颁发数字证书。数据发送方在获取该证书后，首先利用CA的公钥验证签名的有效性，从而在不可信信道上确立接收方公钥$ pk $的真实性与完整性。签名验证通过后，数据发送方利用接收方的公钥$ pk $运行封装算法：
$ ({\kappa }_{root},c)\leftarrow \text{MLKEM}.\text{Encaps}(pk) $
该操作在发送方本地生成两个组成部分：一个是主根密钥$ {\kappa }_{root} $，另一个是对应的密钥封装密文$ c $。其中，密文$ c $将作为未来密钥恢复的唯一凭证被上传至分布式存储系统，而根密钥$ {\kappa }_{root} $随后还要继续密钥派生。
以医学影像为例，系统将原始医学影像$ M $按照固定大小$ B $切分为$ m $个明文块：
$ {M}_{1},\ldots ,{M}_{m}, |{M}_{i}|=B (i \lt m), |{M}_{m}|\leq B $
其中最后一块若不足$ B $字节则保留实际大小。分块数$ m $作为元数据写入区块链智能合约，用于接收方恢复时的精确重组。针对每一个明文块$ {M}_{i} $，系统从根密钥$ {\kappa }_{root} $实时衍生出独立的子密钥$ {K}_{i} $：
$ {K}_{i}=\text{HKDF}({\kappa }_{\text{root}},\text{salt},{\text{info}}_{i}), i=1,2,\ldots ,m $
其中，$ {\kappa }_{root} $是来自ML-KEM解封装的根密钥，$ \text{salt} $为随机字符串，增强派生随机性，$ {\text{info}}_{i} $为域分离参数，这里我们取块索引的四字节大端序编码。
随后，系统开启线程池，对所有明文块同时启动加密任务。针对每一个明文块，使用应子密钥执行AES-256加密。为了同时保障数据在存储过程中的机密性与完整性，防止密文被恶意篡改，本工作具体选用GCM认证加密模式，其计算过程可表示为：
$ {C}_{i}\leftarrow \text{AES-256-GCM.Enc}({K}_{i},{M}_{i}) $
各个密文块$ {C}_{i} $使用独立密钥$ {K}_{i} $加密，块间不存在数据上的依赖，满足完全并行的条件。系统发调度$ m $个加密任务，最终得到$ m $个相互独立的密文块：$ \{{C}_{1},{C}_{2},...,{C}_{m}\} $。

2.3 基于双层架构的分布式存储

在完成了上述的加密过程后，系统输出了密文块序列和密钥封装密文。传统的分布式安全系统往往对全局数据直接应用 Shamir 秘密共享，这会导致$ O(N) $级别存储膨胀。为解决这一问题，本节提出了一种双层分片机制：以RS纠删码处理数据层和以Shamir秘密共享处理控制层，从而存储效率与安全强度之间实现权衡。
在数据层面，系统引入$ (K,N) $门限的RS纠删码。其数学基础建立在有限域$ {\mathbb{F}}_{{{2}^{8}}} $之上，域中每个元素刚好对应1字节，使得密文字节流可直接映射为域元素参与运算，无需额外的数值转换开销；域内加法等价于按位异或，乘法通过不可约多项式定义的模乘来实现。针对上一阶段输出的每一个密文块，系统首先将其按照字节序末尾补零字节至的整数倍，随后均分为$ K $个等长的数据段：$ {\mathbf{d}}_{i}={[{{d}_{i,1}},{{d}_{i,2}},\ldots ,{{d}_{i,K}}]}^{T} $，其中$ {d}_{i,j} $为长度$ L=\left| {C}_{i}\right| /K $的字节序。以这$ K $个数据段为系数，在$ {\mathbb{F}}_{{{2}^{8}}} $上构造$ K-1 $阶多项式：
$ {P}_{i}(x)=\sum \limits_{j=1}^{K}{d}_{i,j}\cdot {x}^{j-1} $
系统选取$ N $个两两不同的非零求值点$ {\alpha }_{1},{\alpha }_{2},\ldots ,{\alpha }_{N}\in {\mathbb{F}}_{{{2}^{8}}} $在各点进行求值，得到$ N $个编码符号$ {f}_{i,j}={P}_{i}({\alpha }_{j}) $。上述的编码过程可等价表示为矩阵乘法$ {\mathbf{f}}_{i}=\mathbf{G}\cdot {\mathbf{d}}_{i} $：
$ \left[\begin{array}{c}{f}_{i,1}\\{f}_{i,2}\\\vdots \\{f}_{i,N}\end{array}\right]=\left[\begin{matrix}1 & {\alpha }_{1} & \alpha _{1}^{2} & \cdots & \alpha _{1}^{K-1}\\1 & {\alpha }_{2} & \alpha _{2}^{2} & \cdots & \alpha _{2}^{K-1}\\\vdots & \vdots & \vdots & \ddots & \vdots \\1 & {\alpha }_{N} & \alpha _{N}^{2} & \cdots & \alpha _{N}^{K-1}\end{matrix}\right]\left[\begin{array}{c}{d}_{i,1}\\{d}_{i,2}\\\vdots \\{d}_{i,K}\end{array}\right] $
式中，生成矩阵$ \mathbf{G}\in \mathbb{F}_{{2}^{8}}^{N\times K} $为Vandermonde矩阵，由于$ {a}_{j} $两两不同，$ \mathbf{G} $的任意行$ K $构成的子矩阵均可逆，这一代数性质直接保证了$ K $门限的可恢复性。
为了进一步提高效率，本方法采用系统码的形式进行编码。通过线性变换使生成矩阵的前$ K $构造成单位矩阵$ {\mathbf{I}}_{K} $：
$ {\mathbf{G}}_{\text{sys}}=\left[\begin{array}{c}{\mathbf{I}}_{K}\\\mathbf{P}\end{array}\right] $
其中$ \mathbf{P} $为冗余校验子矩阵。系统码形式确保了编码输出的前$ K $个碎片均无损坏时，可直接进行拼接还原，无需矩阵运算。当原始碎片缺失的时候，例如某些节点的份额丢失或者损坏，方需执行复杂的矩阵运算。在完成分片任务后，系统按目标节点索引$ j $对碎片进行重组。提取所有密文块的第$ j $个碎片并顺序拼接，生成上传至第$ j $个IPFS节点的数据负载。该方法将分布式存储的膨胀率从传统的$ N $倍压缩至$ N/K $倍。
针对封装密文$ c $，由于其体积小且固定，本方法对其执行$ (K,N) $的Shamir秘密共享。将$ c $的字节序列按照8字节为单位等分为$ T $个数据块$ \{{b}_{1},{b}_{2},\ldots ,{b}_{T}\} $，每个数据块视为64位素数域$ {\mathbb{F}}_{p} $($ p={2}^{64}+13 $)中的一个整数元素。针对每个数据块$ {b}_{t} $，系统生成$ K-1 $个随机系数构造成对应的$ K-1 $阶多项式：
$ {f}_{t}(x)=\left({b}_{t}+\sum \limits_{v=1}^{K-1}{a}_{t,}{}_{v}{x}^{v}\right) \left(\mathrm{mod}p\right) $
式中，$ {f}_{t}(x) $为为第$ t $轮构造的秘密多项式，$ x $为节点索引，$ {b}_{t} $多项式的常数项，即本轮秘密值，$ {a}_{t,}{}_{v} $为多项式的随机系数。随后，将节点索引$ x=1,2,\ldots ,N $带入所有多项式进行求解，聚集成第$ j $个节点的秘密份额$ {S}_{j} $。
完成上述操作后，系统将属于第$ j $个节点的控制层份额和数据层份额打包为最终的共享文件，并且上传至IPFS网络。IPFS基于内容寻址机制为这$ N $个文件分别生成唯一的内容标识符序列$ ({\text{CID}}_{1},{\text{CID}}_{2},\ldots ,{\text{CID}}_{N}) $。最后，向区块链发送一笔存证交易，将上述CID序列、各密文快补零参数以及访问控制策略写入智能合约中，完成防篡改的权限登记。至此，医疗数据完成了抗量子保护下的去中心化托管。

2.4 访问控制与数据恢复

数据恢复本质上是分片共享的逆向工程，其核心在于依托区块链智能合约施加严格的访问控制，并在安全授权的前提下实现密文重构。当数据请求者想获取原始医疗数据时，须向部署在区块链上的智能合约发起访问交易，并提交自身的身份凭证与数字签名。智能合约将根据预设的访问控制策略，自动核验该请求的合法性。验证一旦通过，合约将返回该医疗数据对应$ N $个IPFS内容标识符以及密文块的补零参数。若核验失败，请求被直接拒绝，信息也会被记录。请求方拿到CID列表后，从IPFS网络中并行拉取对应的共享文件。只需成功获取任意$ K $个节点的份额文件，即可在本地触发双层重构。当医疗人员发生变动或私钥面临泄露风险时，患者或数据托管方可通过向智能合约发送状态更新交易，将特定用户的数字身份从访问白名单中注销，实现权限撤销。若需更新密钥，托管方可利用新的ML-KEM公钥重新执行封装操作，并将更新后的密文份额与新的访问控制策略重新上链覆盖。这种链上策略更新与重新封装相结合的机制，在理论上保障了密钥生命周期的可控性与动态可管理性。
控制层方面，从$ K $个文件中提取秘密份额$ {\{{{S}_{j}}\}}_{j\in S} $。这里我们设请求者实际获取的$ K $个份额对应的节点索引集合为$ S\in \{1,2,...,N\},\left| S\right| =K $。然后对每个数据块都执行拉格朗日插值，每块恢复后顺序拼接，还原ML-KEM的封装密文$ c=\{{b}_{1},{b}_{2},\ldots ,{b}_{T}\} $：
$ b_t=f_t(0)=\sum_{j \in S} S_j[t] \prod_{\substack{l \in S \\ l \neq i}} \frac{-l}{j-l} \quad(\text{mod} p) $
该式中，$ {S}_{j}[t] $表示从节点$ j $的份额文件中的去的第$ t $块数值。随后，请求者调用本地存储的ML-KEM私钥$ sk $，对下载的封装密文$ c $执行解封装操作：
$ {\kappa }_{root}\leftarrow \text{ML-KEM.Decaps}(c,sk) $
图 2 医疗数据加密流程

Fig.2 Encryption Process of Medical Data

若密文$ c $被篡改或私钥不匹配，算法将输出伪随机值而非返回错误，从而抵御选择密文攻击。若解封装成功后，请求者将获得根密钥$ {\kappa }_{root} $。
数据层面，从$ K $个份额文件中提取对应的数据负载。根据分发时的重组规则，系统按密文块的索引$ i $将分散的数据集合，并各自独立运行RS纠删码解码。解码完成后，系统依次剔除各数据段末尾的补零。将恢复的数据拼接，即可还原出原始的$ m $个密文块序列。
在成功获取根密钥$ {\kappa }_{root} $域密文序列后。本地系统利用HKDF算法实时衍生对应的子密钥。该过程与前小结过程相同。随后，系统对$ m $密文块同步发起解密：
$ {M}_{i}\leftarrow \text{AES-256-GCM.Dec}({K}_{i},{C}_{i}) $
最终，全部通过安全校验的明文块将按照原始索引顺序拼接，安全完整的恢复为原始的医学数据$ M $。

3 安全性分析

3.1 威胁模型

本方案的安全分析建立在扩展的Dolev-Yao威胁模型之上，对系统中各类实体的能力与信任程度作如下假设。
(1)网络中存在具备通用量子计算能力的恶意敌手。该敌手能够完全控制公共通信信道，可任意截获、篡改与重放网络数据，并能在多项式时间内破解RSA、ECC等依赖大整数分解与离散对数难题的传统公钥密码体制。
(2)IPFS存储节点被视为半诚实第三方。节点会诚实执行数据存储与路由协议，不会主动删除数据，但可能出于好奇窥探数据内容，甚至与其他节点合谋推断医疗隐私信息，合谋节点数量假设少于门限值$ K $。
(3)底层区块链网络满足诚实多数假设，即全网诚实算力或权益占优。敌手可公开读取链上状态，包括智能合约代码、元数据及操作日志，但无法篡改链上记录或绕过智能合约的强制执行逻辑。
(4)CA被假设为主观诚实的实体，但作为中心化物理节点，面临高级持续性威胁或内部人员作恶导致的单点故障风险。

3.2 抗量子安全分析

本方案在密码学层面的抗量子安全性建立在ML-KEM的M-LWE难题之上。由于其计算复杂度呈指数级增长，该问题在计算上是极其困难的。M-LWE难题要求攻击者在多项式时间内，区分完全随机样本与形式为$ (\mathbf{A},\mathbf{b}=\mathbf{As}+\mathbf{e}) $的伪随机样本，其中$ \mathbf{A}\in R_{q}^{m\times k} $为公开矩阵，$ \mathbf{s}\in R_{q}^{k} $为系统秘密向量，$ \mathbf{e}\in R_{q}^{m} $为噪声向量。
在混合加密的组合安全性上，本方案严格遵循KEM-DEM组合范式。ML-KEM满足IND-CCA2安全，AES-256-GCM满足AEAD认证加密要求，根据Cramer-Shoup形式化组合安全框架，两者的组合在整体上同样满足IND-CCA2安全，敌手无法从密文中提取关于主根密钥的任何有效信息。此外，通过HKDF为每个明文块独立衍生子密钥，单块密钥的泄露不会波及其余块，进一步增强了密钥隔离性。
本方法严格遵循KEM-DEM组合框架，ML-KEM满足IND-CCA2安全，AES-256-GCM满足AEAD认证加密要求，根据组合安全定理，两者组合后整体仍满足IND-CCA2安全。在此基础上，数据层的RS纠删码作为线性编码作用于AES输出的伪随机密文字节流，不会削弱密文的香农熵。控制层对ML-KEM封装密文执行的Shamir秘密共享提供信息论级的保密性，任何少于K个份额的组合均不泄露密钥信息。两层分片在数学空间上相互独立，不存在交叉关联泄露。此外，针对IPFS与区块链结合可能引入的元数据侧信道风险，本方案采用固定块大小与字节对齐填充策略使各节点碎片文件体积统一，并以无语义关联的公钥地址作为链上交互标识，从架构层面有效切断了通过元数据推断医疗隐私的侧信道路径。

3.3 区块链安全性与CA信任分析

智能合约在本方案中充当不可绕过的访问控制执行器。任何数据访问请求须携带合法数字签名方可执行，合约逻辑部署上链后任何单一实体均无法修改。虽然链上CID索引对所有人公开可读，但这不构成隐私隐患，因为方案的机密性建立在M-LWE数学困难性之上，而非依赖信息隐蔽。区块链的不可篡改性保证了所有访问记录形成完整的审计轨迹，能够有效抵御重放攻击与越权访问。
关于CA的单点故障风险，这是本方案在架构层面客观存在的局限性。若CA私钥遭到攻陷，攻击者可伪造合法用户证书，威胁全局密钥体系的可信性。对此，本方案的设计在一定程度上限制了CA被攻陷后的影响范围：CA颁发的所有证书及吊销记录均在链上存证，异常颁发行为可被参与方实时检测；数据访问授权的最终执行依托链上智能合约，CA无法直接修改访问控制策略，攻击者持有伪造证书后仍需通过合约的独立链上验证。尽管如此，上述措施属于缓解性手段，并非从根本上消除单点信任依赖。在后续的工程落地中，引入门限CA或去中心化身份机制，由多家联盟节点联合进行身份背书，可从架构上彻底解决这一问题，这也是本方案下一步重要的改进方向。

4 实验结果与分析

4.1 实验环境描述

实验在Windows 11操作系统上进行，硬件配置为AMD Ryzen 7-7735H CPU@ 3.20GHz，内存16GB。ML-KEM-512(基于NIST FIPS 203 标准参数实现)、AES-256-GCM、Shamir秘密共享算法均采用Python编写。使用Ethereum (Ganache v7.9.1)搭建本地测试联盟链，模拟医疗数据存证与授权的交互环境。部署 IPFS (js-ipfs v0.66.1) 节点集群，模拟边缘侧与云端的分布式存储网络。为了全面评估本方案在真实医疗环境下的端到端并发处理性能，本文构建了一个涵盖医疗系统所有可能产生数据的测试集。测试用例覆盖了从轻量级的电子病历、标准分辨率X光片，到大容量的高分辨率CT与三维MRI医学影像序列。

4.2 参数设置

本小节将详细阐述本方案实验验证中所采用的核心参数配置。这些参数在评估系统的整体性能、运行效率以及安全强度方面发挥着至关重要的作用。具体而言，实验重点考察了分布式门限参数$ (K,N) $以及密码学相关参数对系统重构准确率和计算开销的综合影响。
$ N $代表数据分片的总数量，即数据被分散存储在多少个IPFS节点上；$ K $代表恢复原始数据所需的最少分片数。从安全性权衡的角度来看，增加$ K $值意味着恢复数据需要获得更多节点的授权，从而显著提高了系统的安全性与抗攻击能力；本文提出的双层架构，将体积小的ML-KEM封装密文通过多项式运算进行共享，而将庞大的医疗数据流采用纠删码进行分片。为了验证该架构的优势，实验测试了不同$ (K,N) $组合对数据恢复时间的影响。结果如表1所示。随着$ K $与$ N $值的增大，本架构的平均恢复时间并未出现显著的攀升，稳定在11ms到14ms之间。
表 1 比较门限参数K与N对恢复时间及准确率的影响

Table 1 Impact of K and N on the restoration time and accuracy

$ K $N平均恢复时间/s恢复准确率/%
250.0129100
350.0133100
450.0112100
580.0134100
680.0120100
780.0125100
其次，NIST标准化文件提供了三组推荐参数集以适应不同的安全场景，具体配置如表2所示。其中，多项式环维度$ n $固定为256且模数$ q $设定为素数3329，这可以支持高效的数论变换，使得多项式乘法运算能够以准线性时间复杂度完成。多项式向量$ k $是调节安全性的核心变量，它决定了底层模格矩阵的规模。$ k=2 $对应于NIST安全等级1，在提供足以抵御AES-128级别量子攻击的同时保持了最小的计算开销。噪声参数$ {\eta }_{1} $和$ {\eta }_{2} $控制了中心二项式分布的采样范围，用于在模容错学习问题中引入必要的数学噪声，以在计算困难性与解密正确率之间取得平衡。此外，压缩参数$ \left({d}_{u},{d}_{v}\right) $体现了该算法在通信效率上的优化机制，通过丢弃密文系数的低位比特进行有损压缩，显著降低了密文的传输带宽。在本方案的实验与系统设计中，我们选用的是ML-KEM-512参数集，主要旨在评估系统在处理海量并发请求时的基准效率与计算下限。在面对如“先窃取后解密”威胁、以及具有超长保密期要求的医疗隐私场景时，本方案完全支持平滑升级至ML-KEM-768或 ML-KEM-1024 参数集。为了全面量化这一灵活配置机制对系统的影响，下文也将对这三种不同安全级别的ML-KEM参数集在密钥生成与封装速率上的性能表现进行综合对比评估。
表 2 ML-KEM算法参数集配置

Table 2 ML-KEM Algorithm Parameter Configuration

维度$ n $ 多项式向
量维数$ k $		 模数
$ q $		 噪声参数
$ {\eta }_{1} $		 噪声参数
$ {\eta }_{2} $		 压缩参数
$ {(d}_{u},{d}_{v}) $
ML-KEM-512 256 2 3329 3 2 (10,4)
ML-KEM-768 256 3 3329 2 2 (10,4)
ML-KEM-1024 256 4 3329 2 2 (11,5)
最后，在数据加密层面，本方案固定使用256位密钥配合AES算法。虽然Grover量子搜索算法理论上可以将对称密钥的暴力破解难度通过平方根加速降低，即256位密钥的破解难度在量子计算环境下将降至$ {2}^{128} $，但$ {2}^{128} $的计算复杂度在可预见的未来依然能保证后量子安全。

4.3 双层架构的存储开销优化

在去中心化医疗存储网络中，高昂的存储冗余是限制大规模医学影像上链的瓶颈之一。传统的分布式方案对整体密文执行 Shamir秘密共享，会不可避免地导致$ O(N) $级别的存储膨胀。为评估本文提出的架构在克服这一瓶颈时的有效性，本节对医疗数据的分布式存储开销进行了对比。
实验设定门限参数为$ K=3，N=5 $。图3展示了传统的全局SSS方法与本文方法在IPFS节点中产生的实际存储占用和节省率。由实验数据可以看出，传统SSS方案的存储开销随源数据大小呈线性放大。传统方案需要在IPFS网络中占用更多的物理存储空间，这不仅极大地消耗了节点硬盘资源，更会引发严重的网络带宽与I/O拥塞。相比之下，本方案呈现出显著的存储优化效果。本方法总存储占用始终显著低于传统SSS方案。在数据量达到100MB时，存储节省率能达到在80%以上。这主要得益于本文的双层架构，将大容量医学数据密文使用RS纠删码分片。
图 3 不同数据大小的存储开销与节省率

Fig.3 Visual Comparison of Encryption and Decryption

4.4 密钥封装与数据加密效率分析

本节从密钥封装层与数据加密层两个维度评估本方案的密码学计算效率。前者通过对比ML-KEM与经典算法验证算法的低开销；后者通过对比串行与并行加密策略验证HKDF分块设计的吞吐量优势。
需要说明的是，本实验以完成一次会话密钥协商为一次耗时，对于RSA测量的是加解密的完整往返耗时，对于ML-KEM测量的是Encaps与Decaps完整流程的耗时，确保各方案在相同的功能语义下进行比较。实验结果如表3所示，ML-KEM-512完成一次完整的封装与解封装操作平均耗时0.0074秒，与ECC的0.0043秒处于同一数量级，低于RSA与IKGSR。这说明系统在引入抗量子能力的同时，并未付出显著的计算代价。另外，我们还在ML-KEM三个参数集之间做了性能测试。从ML-KEM-512升级至ML-KEM-768与ML-KEM-1024，耗时仅从0.0074秒增长至0.0123秒与0.0188秒，增幅平缓。系统可以切换至更高安全等级的参数集，而不需要对整体架构做其它的改动。
表 3 密钥封装效率对比

Table 3 Comparison of Key Generation Efficiency

平均时间/s最小时间/s最大时间/s
RSA[24]0.05420.04160.0716
ECC[23]0.00430.00410.0045
IKGSR[7]0.06130.05450.0796
ML-KEM-5120.00740.00690.0119
ML-KEM-7680.01230.01170.0135
ML-KEM-10240.01880.01820.0205
为验证HKDF层级密钥衍生与并行加密架构相对于传统单密钥串行方案的实际效率提升，本文在覆盖真实医疗场景的六个数据规模下对两种方案的加密耗时进行了对比测试。结果如图4所示，整体来看，两条曲线均随数据规模的增大呈线性增长趋势。在轻量级数据区间，两种方案的绝对耗时均维持在个位毫秒量级。主要是由于这时
图 4 不同数据规模与门限值下的时间性能分析

Fig.4 Time Performance Analysis Under Different Data Sizes and Thresholds.

数据规模较小，分块策略生成的并行任务数量有限甚至形成单块。当数据规模增大时，HKDF并行架构的优势得到充分体现。随着明文块数量的增加，系统能够将更多独立的加密任务同时调度至线程池并发执行， CPU多核资源得到充分利用，使得并行方案的加密耗时显著低于串行方案。

4.5 系统端到端开销分析

该端到端耗时包括了数据交互的全生命周期，具体包括：抗量子根密钥的封装与协商、基于HKDF的子密钥衍生与多线程并发加密、双层架构的共享，以及最终向本地 IPFS网络推流分发与智能合约存证交易确认的全过程。本实验在本地测试节点集群中展开，所有网络交互均在本机完成，因此测量结果排除了真实网络波动、节点地理分布与链上交易拥堵等外部干扰因素，反映的是系统自身的纯计算与I/O处理性能。本地环境下测得的耗时可视为本方案在任意网络条件下的计算基准，真实部署时的端到端总延迟等于本地计算耗时加上实际网络传输延迟，两者相互独立。在现代化医院内网或医疗联盟链专线环境中，节点间通信延迟通常维持在毫秒量级，本地计算基准仍然构成总耗时的主要部分。因此本实验的结果具备参考价值。
实验结果如图5所示，从图中可以观察到，系统在不同数据规模下的端到端耗时均维持在可接受范围内，整体呈现出随数据量线性增长的趋势。轻量级医疗数据的处理耗时低，对日常高频的病历存取场景几乎没有感知影响；大容量数据在完成完整流程后，耗时依然控制在秒级以内。综合来看，本方案在引入完整后量子安全防护与去中心化存储的前提下，并未对终端用户造成明显的性能负担，具备在现代医疗信息系统中实际部署的工程可行性。
图 5 端到端性能

Fig.5 End-to-End Performance

4.5 智能合约性能与开销估计

为了评估方案中区块链控制层的运行稳定性与经济可行性，本实验们基于Ethereum (Ganache v7.9.1)仿真环境部署了系统的核心智能合约，并模拟了多用户并发场景下的身份注册与数据存证交互。实验的主要目的是在受控条件下验证合约逻辑的正确性、执行的稳定性以及Gas消耗情况。实验设置了4个独立的以太坊账户并发发送注册与存证交易。实验结果如表4所示，随着并发用户数从100增加至1000，系统的各项性能指标表现出极高的稳定性。在经济成本方面，平均每次注册与存储操作的Gas消耗稳定在$ 3.9\times {10}^{4} $至$ 4.6\times {10}^{4} $之间。这一较低的Gas开销得益于本方案采用的“链下存储、链上存证”策略，智能合约仅需处理轻量级的哈希索引与权限状态，而无需承担昂贵的数据存储计算，从而确保了系统在大规模部署时的经济可承受性。
表 4 智能合约性能指标

Table 4 Smart Contract Performance Metrics

并发用户数平均注册延迟/s平均Gas消耗($ \times {10}^{4} $)交易确认延迟/ms
1000.0313.9340
2000.0344.0357
4000.0464.2372
6000.0504.3388
8000.0534.4401
10000.0584.6417
在处理时延方面，实验测得的平均注册延迟维持在0.03秒至0.05秒之间，交易确认延迟稳定在340ms至417ms范围。这表明在理想网络环境下，智能合约的执行逻辑高效且无阻塞。需要客观指出的是，由于Ganache是基于内存的区块链模拟器，其缺乏真实广域网中的分布式共识延迟和网络传播抖动，因此上述时延数据主要用于验证合约代码的逻辑完整性与资源消耗基准，而非代表真实公链环境下的绝对性能。然而，这些结果已充分证明了本方案在控制层面的功能完备性，即智能合约能够以极低的计算与存储资源消耗，正确、稳定地执行预设的访问控制与存证逻辑，不会成为整个系统的性能瓶颈。

5 结束语

为了应对分布式医疗系统在量子计算环境下面临的安全威胁，本文提出了一种融合ML-KEM与区块链技术的后量子医疗数据保护方法，相较于基于RSA等传统公钥密码体制的混合加密方案，本方案将ML-KEM算法与基于区块链的秘密共享机制相结合，其在保持与现有技术标准兼容的同时，通过去中心化架构消除了单点故障风险，提升了医疗数据的可用性与完整性。实验结果表明，该框架能够以较低的计算开销实现医学数据的无损重构，满足医疗数据长期安全归档的基本要求。
本方案目前仍存在若干有待完善之处。在系统性能方面，超大规模医疗数据集下的并发性能与可扩展性尚未得到充分验证，通信开销的精确量化也有赖于在真实分布式网络环境中部署后进一步测量。在安全架构方面，单一CA的信任根设计存在单点故障风险。在访问控制方面，方案目前尚未针对医疗场景中的紧急访问与动态权限撤销需求进行专项设计，前者可通过在智能合约中预设紧急授权角色加以解决，后者则有赖于引入完整的密钥更新与重新分片协议。
在后续工作中，该工作拟从两个方向对系统加以改进：一是引入数据压缩算法，以降低影子数据份额带来的存储开销；二是结合零知识证明等隐私增强技术，在不暴露底层数据结构的前提下进一步优化系统的隐私保护能力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
ANDREW J, ISRAVEL D P, SAGAYAM K M, et al. Blockchain for healthcare systems: Architecture, security challenges, trends and future directions[J]. Journal of Network and Computer Applications, 2023, 215, 103633.

DOI

2
Ranjan R, CH B. A comprehensive roadmap for transforming healthcare from hospital-centric to patient-centric through healthcare internet of things （iot）[J]. Engineered Science, 2024, 30, 1175.

DOI

3
蔡珊珊, 朱丹, 汪群泽, 等. 高效隐私保护的跨模态医疗数据检索方法[J]. 网络空间安全科学学报, 2025, 3 (2): 70- 83.

DOI

CAI S S, ZHU D, WANG Q Z, et al. Efficient privacy-preserving cross-modal medical data retrieval method[J]. Journal of Cyberspace Security Science, 2025, 3 (2): 70- 83.

DOI

4
KAGADIS G C, KLOUKINAS C, MOORE K, et al. Cloud computing in medical imaging[J]. Medical Physics, 2013, 40 (7): 070901.

DOI

5
CHRISTOPHER A A, SIVAKUMAR M, MURUGAVEL A M, et al. Refined RSA encryption algorithm to safeguard privacy in healthcare data[C]// Innovations in Cybersecurity and Data Science: Proceedings of ICICDS 2024. 2024: 271.

6
童心悦, 陈付龙, 王涛春, 等. 基于智能合约和 CP-ABE 的病理信息可追溯安全共享方案[J]. 网络空间安全科学学报, 2025, 3 (3): 102- 116.

TONG X Y, CHEN F L, WANG T C, et al. Traceable and secure sharing scheme of pathology information based on smart contract and CP-ABE[J]. Journal of Cyberspace Security Science, 2025, 3 (3): 102- 116.

7
Chinnasamy P, DEEPALAKSHMI P. Hcac-ehr: hybrid cryptographic access control for secure EHR retrieval in healthcare cloud[J]. Journal of Ambient Intelligence and Humanized Computing, 2022, 13 (2): 1001- 1019.

DOI

8
Shor P W. Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer[J]. SIAM Review, 1999, 41 (2): 303- 332.

DOI

9
GRASSL M, LANGENBERG B, ROETTELER M, et al. Applying Grover's algorithm to AES: quantum resource estimates[C]// Proceedings of the International Workshop on Post-Quantum Cryptography. Springer, 2016: 29-43.

10
Revathi K, SUGANTHI K. Enhancing blockchain security against quantum threats through integration of post-quantum cryptographic algorithms[J]. Computers and Electrical Engineering, 2025, 127, 110610.

DOI

11
ALAGIC G, APON D, COOPER D A, et al. Status report on the third round of the NIST post-quantum cryptography standardization process: NIST IR 8413[R]. Gaithersburg: NIST, 2022.

12
FAROOQ S, ALTAF A, IQBAL F, et al. Resilience optimization of post-quantum cryptography key encapsulation algorithms[J]. Sensors, 2023, 23 (12): 5379.

DOI

13
JOKINIEMI A. NIST's module-lattice-based key-encapsulation mechanism and its security[R]. Helsinki: University of Helsinki, 2025.

14
MONTENEGRO J A, RIOS R, LOPEZ-CEREZO J. A performance evaluation framework for post-quantum TLS[J]. Future Generation Computer Systems, 2025: 108062.

15
YOUSAFZAI A, SHEERAZ M M, POGREBNA G, et al. Blockchain for the metaverse: Recent advances, taxonomy, and future challenges[J]. Journal of Network and Computer Applications, 2025: 104355.

16
Sam PRINCE FRANKLIN S, MARY SHAMALA L, THANKARAJA RAJA SREE. Decentralized certificate issuance and verification system using Ethereum blockchain technology[J]. Journal of Network and Computer Applications, 2025, 242, 104190.

DOI

17
张汕成, 金钰, 张宗洋, 等. 区块链技术在智慧城市中的应用研究综述[J]. 网络空间安全科学学报, 2025, 3 (3): 1- 24.

ZHANG S C, JIN Y, ZHANG Z Y, et al. A review of the research on application of blockchain technology in smart cities[J]. Journal of Cybersecurity, 2025, 3 (3): 1- 24.

18
METTLER M. Blockchain technology in healthcare: The revolution starts here[C]// Proceedings of the 2016 IEEE International Conference on E-health Networking, Applications and Services. IEEE, 2016: 1-3.

19
ATTIA O, KHOUFI I, LAOUITI A, et al. An IoT-blockchain architecture based on hyperledger framework for health care monitoring application[C]// Proceedings of the 10th IFIP international Conference on New Technologies, Mobility and Security. IEEE Computer Society, 2019: 1-5.

20
ALSAMHI S H, MYRZASHOVA R, HAWBANI A, et al. Federated learning meets blockchain in decentralized data sharing: Healthcare use case[J]. IEEE Internet of Things Journal, 2024, 11 (11): 19602- 19615.

DOI

21
SHEN F, SHI L, ZHANG J, et al. BMSE: Blockchain-based multi-keyword searchable encryption for electronic medical records[J]. Computer Standards & Interfaces, 2024, 89, 103824.

DOI

22
WANG N, FU J, ZHANG S, et al. Secure and distributed IoT data storage in clouds based on secret sharing and collaborative blockchain[J]. IEEE/ACM Transactions on Networking, 2022, 31 (4): 1550- 1565.

23
SALEH M E, ALY A A, OMARA F A. Data security using cryptography and steganography techniques[J]. International Journal of Advanced Computer Science and Applications, 2016, 7(6).

24
REHMAN S, BAJWA N T, SHAH M A, et al. Hybrid AES-ECC model for the security of data over cloud storage[J]. Electronics, 2021, 10 (21): 2673.

DOI

25
Denis R, MADHUBALA P. Hybrid data encryption model integrating multi-objective adaptive genetic algorithm for secure medical data communication over cloud-based healthcare systems[J]. Multimedia Tools and Applications, 2021, 80 (14): 21165- 21202.

DOI

26
BERNSTEIN D J, CHOU T, LANGE T, et al. Classic McEliece: conservative code-based cryptography[J]. NIST submissions, 2017, 1 (1): 1- 25.

27
ALBRECHT M R, BERNSTEIN D J, CHOU T, et al. Classic McEliece: conservative code-based cryptography[R]. 2022.

28
PETZOLDT A. Efficient key generation for rainbow[C]// Proceedings of the 11th International Conference on Post-Quantum Cryptography. Springer, 2020: 92-107.

29
Alzubi J A. Blockchain-based lamport merkle digital signature: authentication tool in IoT healthcare[J]. Computer Communications, 2021, 170, 200- 208.

DOI

30
Fernández-caramés T M. From pre-quantum to post-quantum IoT security: A survey on quantum-resistant cryptosystems for the internet of things[J]. IEEE Internet of Things Journal, 2019, 7 (7): 6457- 6480.

DOI

31
SABERIKAMARPOSHTI M, NG K W, CHUA F F, et al. Post-quantum healthcare: A roadmap for cybersecurity resilience in medical data[J]. Heliyon, 2024, 10(10).

Options
Outlines

/

〈 〉

Website Copyright © Editorial Office of Journal of Cybersecurity.
Tel: 010-89061756/89061778　
E-mail：wlkjaqkxxb@caasse.cn
Powered by Beijing Magtech Co. Ltd,.

京ICP备16032046号-20