Journal of the Korea Institute of Information Security & Cryptology (정보보호학회논문지)

Korea Institute of Information Security and Cryptology (한국정보보호학회)
권호 표지
DOI QR코드

DOI QR Code

Secure Medical Data Sharing Techniques that Can Be Utilized in IoT Environments

IoT 환경에서 활용 가능한 안전한 의료 데이터 공유 기법

  • Received : 2024.10.21
  • Accepted : 2024.11.18
  • Published : 2024.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

The MyData initiative for personal data portability has recently expanded into the medical field. A method for securely sharing medical data using low-cost IoT devices is essential for widespread adoption of healthcare services across all age groups. Qiu et al. proposed a secure medical data sharing technique using both data and encryption keys, ensuring safety even if the encryption key is exposed. However, their method requires storing N decryption keys for N medical institutions, leading to key management issues, storage overhead, and additional search operations on user devices. This paper presents an improved method based on Qiu et al.'s technique, maintaining efficiency from the user device perspective as the number of data sharing targets increases. We propose a key generation technique deriving multiple keys from a single key, eliminating storage overhead and additional search operations, thus suitable for low-spec devices. Experimental results show our method is 0.05 seconds faster in encryption time (including key generation) and consumes 4.3% less energy compared to Qiu et al.'s method, demonstrating improved efficiency in time and energy consumption.

최근 개인정보 이동권을 위한 마이데이터 사업이 의료분야까지 확장하고 있다. 모든 연령대를 대상으로 의료 및 헬스케어 산업 확산을 위해선 낮은 비용으로 보급할 수 있는 IoT 기기들을 활용하여 안전하게 의료 데이터를 공유할 수 있는 기법이 필요하다. 최근 Qiu 등은 데이터와 암호키를 데이터 암호화에 사용함으로 암호화 키가 외부에 노출돼도 안전한 의료 데이터 공유기법을 제안하였다. 그러나 Qiu 등의 기법은 N개의 의료기관과 자신의 의료 데이터를 공유하기 위해선 N개의 복호화 키를 기기에 저장해야 한다는 특징을 가진다. 이에 따라 키 관리의 문제가 발생하고, 사용자 기기 측면에서는 저장공간 오버헤드와 추가적인 검색연산이 요구된다는 한계점을 가진다. 본 논문에서는 Qiu 등의 기법을 발전시켜 의료 데이터 공유 대상의 수가 증가하여도 사용자 기기 관점에서 효율적인 의료 데이터 공유 기법을 제안한다. 하나의 키로부터 나머지 키를 파생시키는 키 생성 기법을 제안함으로써 사용자 기기 측면에서 저장공간 오버헤드가 발생하지 않으며, 추가적인 검색연산이 필요 없어 저사양 기기에서 활용 가능하다. 비교 실험의 결과 제안된 기법이 Qiu 등의 기법에 비해 키 생성 시간을 포함한 암호화 시간은 0.05초가 빠르며, 에너지 소비는 4.3% 적어 시간, 에너지 측면에서도 효율적이다.

Keywords

I. 서론

2018년 5월 25일 법적 효력을 지니게 된 유럽연합의 GDPR(General Data Protection Regulation)의 등장으로 개인정보 주체의 개인정보 이동권 및 전송 요구권이 등장하게 되었다. 이와 동시에 웨어러블 기기 등 다양한 IoT 기기들이 IT산업에 활발히 활용되기 시작하여 전체 데이터 생산량이 증가하고 있다[1-4]. 그에 따라 데이터산업분야는 2020년부터 2022년까지 국내에서는 12.6%, 유럽에서는 10.7%의 연평균 성장률을 기록하며 꾸준하게 성장하고 있다[5, 6].

국내에서도 GDPR을 준수하고 데이터를 활용하기 위해 2022년부터 마이데이터 사업이 도입되었다[7]. 이러한 추세에 따라 데이터 노출로 인한 사회적 비용을 절감하기 위해 개인정보 보호와 개인정보 활용 간 적절한 균형점을 찾기 위해 연구가 필요한 것은 분명하다.

특히 의료분야 마이데이터 도입과 지속적인 건강 모니터링, 의료 데이터 공유를 통한 원격 진료 환경을 고려하기 위해 MCPS(Medical Cyber Physical System) 환경이 제시되고 있다. 그에 따라 빅 데이터와 인공지능 등 4차산업 기술이 적용되어 의료 서비스 질 향상에 기여할 것으로 기대되지만, 안전한 데이터 공유와 비의도적 접근에 대한 우려도 존재한다[18-20]. 이러한 배경으로 안전한 공유와 접근제어를 해결하기 위해 의료 데이터 공유 기법에 관한 연구가 최근에 다수 수행되고 있다[8-17].

MCPS 환경에서 안전한 의료 데이터 공유 연구들은 크게 블록체인을 활용한 공유기법과 클라우드를 활용한 공유기법이 존재한다. 블록체인을 활용한 의료 데이터 공유기법[8-11]은 위조, 변조가 불가능하며 높은 가용성을 제공하지만 낮은 트랜잭션 처리 속도, 공개 검증으로 인한 프라이버시 문제를 극복해야 한다. 반면에 클라우드를 활용한 의료 데이터 공유기법[12-17]은 Public 클라우드 서비스 제공자의 저장소를 완전히 신뢰할 수 없다는 한계가 존재하나, 높은 처리 속도로 인한 사용성, 능동적인 자원 사용의 이점과 상용화가 쉽다는 장점으로 인해 최근 다수의 연구가 수행되고 있다.

일례로, 2020년 Qiu 등[17]은 사용자 중심적인 설계를 기반으로 높은 사용성과 안전한 의료 데이터 공유를 제공하기 위해 사용자 데이터 일부를 활용한 의료 데이터 공유기법을 제안하였다. Qiu 등[17]은 스트림 암호 방식으로 다음과 같이 의료 데이터를 암호화하여 공유한다. 자신의 스마트 기기 내에서 의료 데이터의 일부분을 분리하고, 분리된 데이터와 사전에 사용자와 의료기관 간 공유된 암호화 키를 활용하여 나머지 데이터를 암호화한다. 이는 다수의 사용자가 의료기관과 암호화 키를 구성하는 과정에서 공격자들에게 알려진 암호화 키를 사용하더라도 분리된 데이터가 공유자에게 제공되지 않는다면 전체 데이터를 복호화할 수 없기에 안전하게 의료 데이터를 공유할 수 있다.

그러나 해당 기법은 의료 데이터 공유 대상자의 수 및 사용자 데이터 생산량이 증가할수록 확장성의 한계를 갖는다. 사용자의 의료 데이터를 공유받는 대상의 수가 증가할수록 사용자 기기 내에 저장해야 하는 암호화 키의 수가 비례하여 증가한다. 그리고 사용자로부터 생산되는 데이터의 양이 급격하게 증가할수록 데이터 공유를 위해 저장된 데이터로부터 암호화 시 사용된 데이터 조각을 찾기 위한 추가적인 연산이 필요하다.

보다 일반적으로 말한다면 IoT 기기들은 가정용 가전부터 제조, 운송 등 다양한 산업 전반에서 폭넓게 사용되고 있다. 따라서 모든 연령대를 대상으로 의료 및 헬스케어 산업 확산을 위해 낮은 비용으로 보급될 수 있는 IoT 기기가 활용되어야 하는 것은 자명하다. 마찬가지로 이러한 요구사항들에 부합한 경량화된 의료 데이터 공유 기법도 역시 필요하다.

본 논문에서는 의료 데이터 공유 기법의 확장성을 보장하기 위해 다수의 암호화 키를 효율적으로 관리할 수 있는 기법을 새롭게 제안한다. 하나의 Long-Term Key를 통해 다수의 키를 파생하는 기법을 도입하여 데이터 생산량이 증가하거나 공유 대상의 개체 수가 증가하여도 사용자 기기 측면에서 충분히 운용 가능한 의료 데이터 공유 기법을 제시한다. 이에 따라, 본 논문에서 제안하는 기법은 기존 연구인 Qiu 등[17]에서 존재하는 저장공간의 오버 헤드, 키 관리 문제, 추가적인 검색연산의 필요성을 모두 해결하고자 한다.

논문의 구성은 다음과 같다. 2장에서는 배경지식과 EHR 데이터 공유 기법 관련 동향과 함께 Qiu 등[17]의 연구를 서술한다. 3장에서는 본 연구에서 제시한 Qiu 등[17]의 연구에서 존재하는 저장공간의 오버헤드, 키 관리 문제, 추가적인 검색연산을 제거한 EHR 데이터 공유 기법에 관해 설명한다. 4장에서는 Qiu 등[17]의 기법과 제안하는 기법의 성능을 분석 및 비교한다. 마지막으로 본 논문의 결론을 짓는다.

II. 배경 지식 및 관련 연구

2.1 배경 지식

전자 건강기록이라 불리는 EHR(Electronic Health Record) 데이터는 다수의 의료기관이 협력하여 생성하는 환자의 의료기록이다. 환자의 건강정보, 의료기관에서의 진료기록과 임상실험 데이터 등 종합적인 의료 데이터가 포함된다[21, 22]. 일례로 한 환자의 내과 진료기록, 외과 진료기록과 X-Ray 등을 포함한 다양한 영상기록들이 하나의 의료기록에 포함되어 있다. 이러한 EHR 데이터의 규격은 2003년 openEHR 데이터 재단이 설립된 이후 다양한 의료기기 사업자나 이해관계자가 모여 공통된 데이터 규격이 제정되었다[23]. 한 의료기관에서 생성되고 관리되는 EMR(Eletronic Medical Record) 데이터[24]와 달리 EHR 데이터는 각 의료기관 간 의료 데이터를 효과적으로 공유함으로써 의료 서비스의 질을 높이는 것을 목표로 한다. 전체 병력에 기반한 진단을 통해 환자에게 정밀한 의료 서비스를 제공하며 의료 데이터 분실에 효과적으로 대응할 수 있다. 이를 위해 기관 간 동일한 형식의 의료 데이터를 생성하고, 생성된 데이터를 허가된 사용자만 접근할 수 있는 Private Cloud나 Private DataBase에 저장한다.

본 논문에서는 의료 환경에서 사전에 공유된 키가 노출되어도 안전한 데이터 공유 기법을 제안하므로, 공유되는 데이터는 모두 EHR 데이터로 가정한다.

2.2 Qiu 등[17]과 제안하는 기법의 시스템 모델

Qiu 등[.]과 제안하는 기법이 고려하는 환경은 다음과 같다. 의료 서비스 제공과 의료 데이터 수집을 위해 MCPS(Medical Cyber Physical System) 환경에 기반하고 있다고 가정한다. MCPS는 보건·의료에 특화된 CPS의 일종으로, 환자, 데이터 분석 소프트웨어, 센서, 통신 모듈, 제어 액추에이터로 구성된다[25, 26]. 이는 심전도, 혈압 등 각종 센서를 통해 환자의 생체 정보를 수집하고 분석하여 진단을 내리기에 환자 모니터링 및 원격 진료에 활용된다[27].

클라우드 기반 사용자 의료 데이터 공유 모델에서는 의료기관과 사전에 공유된 암호화 키가 노출되더라도 안전하게 사용자의 의료 데이터를 공유하는 것이 궁극적인 목표이다. 의료 데이터 공유 시스템에는 시스템의 네트워크 패킷을 수집하는 공격자와 호기심 많은(Honest but Curious) 클라우드 서비스 제공자가 존재한다. 네트워크 패킷을 수집하는 공격자는 클라우드 저장소에 업로드되는 의료 데이터를 수집하여 사전에 노출된 키를 바탕으로 데이터의 기밀성을 훼손하려는 공격자이며, 클라우드 서비스 제공자는 저장소 기능을 제공하기 위해 프로토콜을 충실하게 따르지만, 저장된 데이터에서 추가적인 정보를 얻기 위해 시도하는 공격자이다. 안전하게 의료 데이터를 공유하기 위해 스마트 의료기기와 MCPS 서비스 제공자 간 안전한 통신채널을 통해 EHR 데이터를 주고받는다고 가정한다. 또한 환자가 소지한 스마트 기기에 저장된 데이터는 안전하고, 외부 침입 공격에도 안전하다. 클라우드 저장소는 EHR 데이터에 접근하는 의료기관의 접근권한을 확인한 이후 환자의 EHR 데이터를 전달한다고 가정한다.

MCPS 환경에서 기반하여 의료 데이터 공유에 참여하는 객체에 대한 설명은 다음과 같다.

⦁ 환자: 의료 데이터 수집을 위한 스마트 의료기기와 의료 데이터 암호화를 위한 스마트 기기의 소유자이다. 스마트 의료기기가 수집한 의료 데이터를 통해 의료 서비스를 제공받고, 스마트 기기를 통해 의료 데이터 접근제어를 수행한다.

⦁ 스마트 의료기기: MCPS의 액추에이터에 해당하며, 각종 센서기기를 통해 환자의 의료 데이터를 수집한다.

⦁ MCPS 서비스 제공자: MCPS 서비스 제공자는 의료기기들을 통해 제공받은 의료 데이터와 의료 기관에 저장된 환자의 EHR 데이터를 결합한다.

⦁ 스마트 기기: 모든 연령대를 대상으로 의료·헬스 케어를 위해 보급된 IoT 기기로, 스마트 의료기기 제어, 의료 데이터 송/수신, 의료 데이터 암·복호화, 접근제어를 수행한다.

⦁ 클라우드 저장소: 의료기관에서 생성된 환자들의 EHR 데이터를 저장하는 공간이다.

⦁ 의료기관: 의료기관은 환자 진료를 통한 EHR 데이터 생성과 제공받은 EHR 데이터를 통한 보험업무, 임상실험 활용, 인공지능 개발 등 다양한 분야에 활용한다.

2.3 EHR 데이터 공유 기법 관련 동향

Table 1은 관련 연구를 비교 정리한 표이다. 연산 오버헤드의 경우 해시 연산을 이용한 경우 낮음, 대칭키/공개키 연산은 높음으로 한다. 키 노출에 대한 안전성(Security Against Key Exposure)은 데이터 공유자가 공유하고자 하는 데이터에 대한 복호화 키가 외부의 공격자에게 노출되더라도 공격자가 공유자의 데이터를 복호화할 수 없는 안전성을 의미한다. 5가지의 지표를 바탕으로 원격 진료, 실시간 환자 모니터링을 위한 MCPS(Medical Cyber Physical System) 환경에서 클라우드를 활용하여 환자의 의료 데이터를 안전하게 공유하는 기법들[12-17]을 비교 분석하면 다음과 같다.

Table 1. Comparison of Related Work and Ours

JBBHCB_2024_v34n6_1369_4_t0001.png 이미지

2015년 Fabian 등[12]은 멀티 클라우드를 활용한 사용자의 의료 데이터 공유 기법을 제안하였다. 해당 기법에서는 데이터 암호화 키 발급을 위해 PKI(Public Key Infrastructure)가 필요하고, 의료 데이터 암호화 방식으로 ABE(Attribute-Based Encryption)를 적용하므로 써 사용자 기기에서 높은 연산력을 요구한다. 추가로 해당 기법은 키 노출에 대한 안전성은 고려하고 있지 않아 복호화 키가 공격자에게 노출된다면, 공격자는 암호화된 의료 데이터를 복호화할 수 있으며 멀티 클라우드를 중계하는 Proxy 서버의 가용성이 훼손되면 의료 데이터를 공유받을 수 없다는 단점을 지닌다.

2020년 Mubarakali[13]는 ABE와 토큰 기반 권한관리를 활용한 SRHB(Secure and Robust Healthcare based Blockchain) 접근법을 적용한 의료 데이터 공유기법을 제안하였다. 해당 기법에서도 의료 데이터 암호화 시 PKI가 필수적이며, 사용자 기기 관점에서 ABE를 수행하기 위해 높은 연산 능력이 요구된다. 또한 키 노출에 대한 안전성을 제공하기 위한 추가적인 장치가 없으며, 사용자의 기기에 데이터를 저장하기 위한 추가적인 저장공간이 필요하다. Uma Maheswariet 등[14]은 멀티 클라우드를 활용한 의료 데이터 검색 및 공유기법을 제안하였다. 제안된 연구에서 의료 데이터 워터마크를 생성하기 위해 PKI가 필요하며, Hybrid 방식의 의료 데이터 암호화 키 생성 방식을 위해 대칭키 암호연산, 워터마크 생성을 위한 공개키 연산이 사용자 기기에서 필요하다. 또한 키 노출에 대한 안전성은 고려되고 있지 않아 생성된 암호화 키가 공격자에게 노출된다면 공격자는 의료 데이터를 복호화할 뿐만 아니라 세션 키를 탈취할 수 있다. 이와 함께 의료 데이터를 사용자 기기에 저장하고 압축을 수행하여 공유되므로 기기에 추가적인 저장공간이 필요하다.

2023년 Patil 등[15]의 연구에서는 Fog Node를 활용한 의료 데이터 공유 기법을 제안하였다. 제안된 연구에서 IBPS(Identity-Based Proxy Signcryption)을 수행하기 위해 PKI가 필수적이며, IBPS를 수행하는 Fog Node는 높은 연산 능력이 요구된다. 또한 제안된 기법은 키 노출에 대한 안전성을 고려하고 있지 않으며 추가로 의료 데이터를 Fog Node에 평문으로 제공하므로, 데이터 프라이버시가 보호되지 않는다.

2024년 Patil[16]는 클라우드 환경에서 Signcryption과 속성 검증을 통한 의료 데이터 공유 기법을 제안하였다. 제안된 연구에서 제안하는 CP-AB-SC‑MIoT(Ciphertext Policy-Attribute Based SignCryption)를 위해 PKI가 필수적이며, 의료 데이터 암호화를 위한 CP-ABSC 연산은 높은 연산 능력이 필요하다. 이와 함께 제안된 기법은 키 노출에 대한 안전성을 고려하고 있지 않아 클라우드 저장소에 저장된 의료 데이터와 복호화 키가 공격자에게 노출된다면, 공격자는 의료 데이터를 복호화할 수 있다. 또한 해당 기법은 공유되는 의료 데이터 외의 데이터를 저장하기 위한 추가적인 저장소가 필요하다.

Qiu 등[17]의 기법에 대한 설명과 분석은 2.4장을 통해 자세하게 서술한다.

2.4 Qiu 등[17]의 EHR 데이터 공유 모델(시스템)

Table 2는 본 논문에서 사용하는 약어 및 기호들에 대해 나타낸다. Qiu 등[17]은 사전에 의료기관과 공유한 암호화 키가 외부에 노출되거나 취약한 암호화 키가 사용된 환경에서도 안전한 의료 데이터 공유기법을 제안하였다. Fig 1은 Qiu 등[17]의 EHR 데이터 공유기법의 전체적인 흐름을 나타낸다.

Table 2. Notations

JBBHCB_2024_v34n6_1369_5_t0001.png 이미지

JBBHCB_2024_v34n6_1369_5_f0001.png 이미지

Fig. 1. Qiu et al.[17] EHR Data Sharing System

① 환자는 자신이 소지하고 있는 다양한 스마트 의료기기들을 통해 실시간으로 의료 데이터를 수집한다. ② 스마트 의료기기들은 일정 시간 동안 수집한 의료 데이터들을 MCPS 서비스 제공자에게 전달한다. ③ 서비스 제공자는 의료 클라우드에 기존에 저장되어 있던 환자의 EHR 데이터를 가져와 기기로 부터 전달받은 의료 데이터와 통합한다. ④ 서비스 제공자는 통합된 환자의 EHR 데이터를 환자가 지정한 의사에게 전달한다. ⑤ 의사는 전달받은 EHR 데이터를 기반으로 환자를 진료하고, 진료 내용들을 EHR 데이터에 업데이트하여 작성한다. ⑥ 의사는 진단 정보를 추가한 EHR 데이터를 환자의 스마트 기기에 전달한다. ⑦ 환자는 의사로부터 전달받은 EHR 데이터를 SE(Selective Encryption) 알고리즘을 통해 PRF와 PUF로 분리하고 암호화한다. ⑧ PRF의 경우 안전한 환자의 스마트 기기에 암호화하여 저장하고, PUF는 의료기관의 클라우드에 저장한다. ⑨ 타 의료기관(Medical Institution)에서 환자의 EHR 데이터를 요청한다면 클라우드는 암호화되어 저장된 환자의 EHR 데이터 PUF를 전달한다. ⑩ 이후 타 의료기관은 암호화된 EHR 데이터를 복호화하기 위해 환자에게 EHR 데이터의 PRF를 요청하고, PRF에 기반하여 PUF를 복호화하고 결합하여 전체 EHR 데이터를 공유받는다.

Fig 2는 Qiu 등[17]의 기법에서 EHR 데이터에서 PRF와 PUF로 분리하고 PRF와 PUF를 암호화하는 SE 알고리즘을 나타낸다. SE 알고리즘에서 환자의 EHR 데이터를 256 bits 단위로 처리한다. 각각의 256 bits EHR 데이터를 8개의 32 bits 블록으로 분리하고, 이 중 하나의 블록을 PRF, 나머지를 PUF로 선정한다. 이후 PRF와 사전에 의료기관과 공유한 암호화 키 K와 Count를 해시함수의 입력으로 넣어 Hi를 생성한다. Hi와 PUF를 XOR 연산을 통해 PUF를 암호화한다. 동일한 과정을 모든 256 bits EHR 데이터에 반복하여 최종적으로 선정된 PRF는 K를 통해 암호화된다. 하지만 SE 알고리즘은 전수조사의 안전성과 키 관리, 저장공간 오버헤드와 추가적인 검색연산을 유발하기에 개선이 필요하다. SE 알고리즘은 데이터를 처리하는 단위가 해시함수의 출력 크기와 동일하다 보니 256 bits의 출력 크기일 경우 하나의 PRF의 크기가 32 bits, 512 bits인 경우 64 bits로 구성된다. 이는 현대 전수조사 공격의 안전성에 비해 낮은 bit 수를 가지기에 전수조사 공격에 취약하다[28]. 또한 N개의 의료기관과 자신의 의료 데이터를 공유하기 위해 N개의 PRF를 관리해야 하므로 키 관리의 문제점이 유발된다. 사용자가 생성하는 의료 데이터가 증가하는 현실에서 전체 EHR 데이터의 12.5%에 해당하는 PRF는 사용자의 스마트 기기 관점에서 저장공간 오버헤드를 유발하며, EHR 데이터 암호화에 사용된 PRF를 찾기 위한 추가적인 검색연산을 요구한다[4, 29].

JBBHCB_2024_v34n6_1369_6_f0001.png 이미지

Fig. 2. SE(Selective Encryption with Fragmentation) Algorithm

III. 제안하는 EHR 데이터 공유 기법

이번 장에서는 논문에서 이야기되는 사용자 기기상에서 저장공간의 오버헤드와 의료 데이터 복호화를 위해 요구되는 부가적인 검색연산을 보완한 의료 데이터 공유기법을 새롭게 제안한다.

3.1 새로운 EHR 데이터 공유 모델(시스템)

2.4절의 Qiu 등[17]의 EHR 데이터 공유 모델(시스템)에서 스토리지 오버헤드를 개선하는 EHR 데이터 공유 기법은 Fig 3과 같다. Qiu 등[17]의 의료 데이터 공유 모델에서 사용자의 스마트 기기에서 수행하는 EHR 데이터 암호화 부분을 중심적으로 개선하였으며, 의료 데이터 생성 및 공유는 기존과 동일하다.

JBBHCB_2024_v34n6_1369_6_f0002.png 이미지

Fig. 3. Proposed EHR Data Sharing System

① 환자는 자신이 소지하고 있는 다양한 스마트 의료기기들을 통해 실시간으로 의료 데이터를 수집한다. ② 스마트 의료기기들은 일정 시간 동안 수집된 의료 데이터들을 MCPS 서비스 제공자에게 전달한다. ③ 서비스 제공자는 의료 클라우드에 저장된 환자의 EHR 데이터를 가져와 기기로부터 전달받은 의료 데이터와 통합한다. ④ 서비스 제공자는 통합된 환자의 EHR 데이터를 환자가 지정한 의사에게 전달한다. ⑤ 의사는 전달받은 EHR 데이터를 기반으로 환자를 진료하고, 진료 내용들을 EHR 데이터에 작성한다. ⑥ 의사는 진단 정보를 추가한 EHR 데이터를 환자의 스마트 기기에 전달한다. ⑦ 최초로 환자는 본 논문에서 제안하는 방식에 따라 EHR 데이터 암호화에 사용할 Long-Term Key를 새롭게 생성하고, 스마트 기기에 저장한다. 저장된 Long-Term Key를 통해 의사로부터 전달받은 자신의 EHR 데이터를 전부 암호화한다. ⑧ 환자는 암호화된 EHR 데이터를 전부 클라우드에 업로드한다. ⑨ 타 의료기관에서 환자의 EHR 데이터를 요청한다면 의료기관 클라우드는 암호화되어 저장된 환자의 EHR 데이터를 전달한다. ⑩ 암호화된 EHR 데이터를 전달받은 타 의료기관은 환자에게 EHR 데이터의 복호화 키를 요청한다. 환자로부터 안전한 통신채널을 통해 전달받은 복호화 키를 통해 암호화된 EHR 데이터를 복호화한다. 이때 환자는 자신의 EHR 데이터에 접근 및 공유를 허가한다면, 자신의 스마트 기기에 저장된 비밀 값을 통해 복호화 키를 생성하여, 의료기관에 전달한다.

Fig 4는 Qiu 등[17]의 기법과 제안하는 기법 간 의료 데이터 암호화 키 생성 과정 차이를 보여준다. Qiu 등[17]의 기법은 의료 데이터에서 PRF를 분리하고, PRF를 통해 암호화 키를 생성했다면, 제안하는 기법은 환자의 스마트 기기에 저장된 Long-Term Key에 기반하여 암호화 키를 생성한다. 이를 통해 의료 데이터 암호화 키 생성을 위해 사용되는 PRF를 저장하며 발생했던 저장공간 오버헤드를 개선할 수 있다. 또한 스마트 기기에 저장된 PRF에서 데이터 공유에 필요한 PRF를 검색하기 위한 추가적인 연산이 필요 없다. 따라서 제안하는 기법은 Qiu 등[17]의 기법과 달리 제한된 스토리지를 지닌 스마트 기기에서 적용할 수 있다.

JBBHCB_2024_v34n6_1369_7_f0001.png 이미지

Fig. 4. Differences in the key generation process

3.2 사용자 기기의 저장공간 오버헤드를 개선하는 EHR 데이터 암호화 및 공유 기법

본 장에서는 3.1절 새로운 EHR 데이터 공유 모델(시스템)에서 활용되는 기법에 관해 설명한다. 먼저 EHR 데이터 암호화를 위한 Long-Term Key를 생성하는 기법을 기술한 이후, 이를 활용한 데이터 암호화 및 공유기법을 제시한다.

본 연구에서는 Qiu 등[17]의 기법과 달리 저장공간이 제한된 IoT 기기에서의 사용을 위해서 Long-Term Key를 사용하는 것을 새롭게 제안한다. Fig 5는 Long-Term Key를 생성하는 알고리즘을 나타낸다. 256 bits의 seed를 랜덤하게 생성한 후 암호학적 해시함수 등과 같은 의사난수생성기(PRNG)를 활용하여 Long-Term Key ⍺를 생성한다. ⍺는 스마트 기기에 저장한다.

JBBHCB_2024_v34n6_1369_7_f0002.png 이미지

Fig. 5. Algorithm 2. Long-TermKey Generation

Fig. 6은 환자의 스마트 기기에서 Long-Term key를 활용하여 EHR 데이터를 암호화하는 알고리즘을 나타낸다. 의사로부터 전달받은 EHR 데이터에서 암호화하길 원하는 데이터 D, 의료기관들과 사전에 교환된 키 K와 Long-Term Key ⍺를 입력으로 넣는다. ⍺와 Dhead를 기반으로 의료 데이터 C를 암호화하기 위한 세션 키 ⍺C를 생성한다. 이후 C를 256 bits 단위로 분리한다. 각각의 데이터 블록 Ci 마다 다음과 같은 단계를 수행하여 의료 데이터 C를 암호화한다. ⍺C , K와 Count를 기반으로 각 블록을 암호화하기 위한 Seed 값 ⍺iC를 생성한다. 이후 ⍺iC, K와 Count를 암호학적으로 안전한 해시의 입력으로 Ci의 암호화 키 Hi를 생성한다. 이후 Hi와 Ci를 XOR 연산을 통해 암호화하여 암호문 EiD를 생성하고 Count를 증가시킨다. 위와 같은 과정을 모든 블록에 반복함으로써 전체 의료 데이터를 암호화한다.

JBBHCB_2024_v34n6_1369_8_f0001.png 이미지

Fig. 6. Algorithm 3. Encryption

다음으로, 암호화된 전체 의료 데이터를 바탕으로 특정 데이터를 선별적으로 공유하는 과정을 설명한다. 환자는 타 의료기관에서 자신의 의료 데이터 중 내과 진료 데이터와 같은 특정한 의료 데이터에 대한 공유를 요청받고 의료기관과 공유하고자 한다면, 환자는 특정 데이터에 대한 복호화 키를 생성하고 이를 의료기관에 안전하게 전달한다. 하지만 의료기관과 데이터 공유를 거부한다면, 환자는 데이터 복호화 키를 생성하지 않음으로써 의료 데이터에 대한 접근제어를 수행한다.

Fig 7은 암호화된 EHR 데이터 C의 복호화 키(EC)를 생성하는 알고리즘이다. 먼저 환자의 스마트 기기에 저장된 Long-Term Key ⍺를 가져온다. 이후 의료기관에서 공유를 요청한 데이터를 나타내는 Dhead 값을 알고리즘의 입력으로 받는다. ⍺와 Dhead를 입력으로 랜덤하게 난수를 선택하여 Dhead에 대한 의료 데이터 복호화를 위한 세션 키 ⍺C를 생성한다. 이후 의료기관과 사전에 공유된 K를 통해 세션 키를 암호화함으로써 EC를 생성한다. 이후 의료 데이터 공유를 요청한 기관에 EC를 안전하게 전달한다.

JBBHCB_2024_v34n6_1369_8_f0002.png 이미지

Fig. 7. Algorithm 4. Generate_Ec

Fig 8은 암호화된 의료 데이터 C를 복호화하는 알고리즘이다. 환자에게 의료 데이터와 복호화 키를 공유받은 의료기관은 먼저 환자와 사전에 교환한 키 K를 통해 암호화된 세션 키 EC를 복호화하여 세션 키 ⍺C를 획득한다. 이후 ⍺C, K와 Count를 입력으로 암호화된 의료 데이터 블록EiD를 복호화하기 위한 Seed 값 ⍺iC을 생성한다. ⍺iC, K와 Count를 입력으로 복호화 키 Hi를 생성하고, 암호문 블록 EiD와 XOR 연산을 수행하여 평문 Ci를 획득한다. 위와 같은 연산 과정을 모든 암호화 된 EHR 데이터에 대해 반복함으로써 의료 데이터 C를 획득한다. 이후 의료기관은 의료 데이터 C와 Dhead를 결합하여, 공유받길 원했던 의료 데이터를 온전히 공유받는다.

JBBHCB_2024_v34n6_1369_8_f0003.png 이미지

Fig. 8. Algorithm 5. Decryption

IV. 연구 결과

4.1 효율성 비교

Table 3은 Qiu 등[17]의 기법과 제안하는 기법에 대한 암호화, 복호화 연산 시간의 효율성과 검색, 공간 복잡도를 비교·분석한 표이다.

Table 3. Efficiency Comparison (ts:time for split/merge, th : time for hash, tp: time for PRNG, tx : timefor xor, te: time for symmetric encryption/decryption)

JBBHCB_2024_v34n6_1369_9_t0001.png 이미지

암호화 연산 시간 측면에서 Qiu 등[17]의 기법은 데이터 암호화 키를 생성하기 위해 데이터에서 PRF를 분리하는 연산이 필수적이며, 분리된 PRF를 암호화하기 위한 시간 역시 필수적이다. 하지만 제안하는 기법은 Qiu 등[17]의 기법의 PRF를 세션 키로 대체함으로 세션 키를 위한 Long-Term Key 생성 연산만 추가로 필요하다.

복호화 연산 시간 측면에서는 Qiu 등[17]의 기법은 복호화 연산을 수행한 이후 복호화된 PRF와 PUF 데이터를 결합하기 위한 연산이 필요하다. 하지만 제안하는 기법은 전체 데이터를 복호화하기에 추가적인 데이터 결합 연산이 필요 없다.

저장공간 복잡도 측면에선 Qiu 등[17]의 기법은 의료 데이터 공유를 위해 환자의 스마트 기기에 전체 데이터의 12.5% 크기의 PRF를 저장해야 한다. 하지만 제안하는 기법은 Long-Term Key를 저장하기 위한 일정한 크기의 저장공간이 필요하다.

검색 복잡도 분석 측면에서 Qiu 등[17]의 기법은 데이터 공유를 위해 환자의 스마트 기기에 저장된 PRF에서 공유하는 데이터와 연관된 PRF를 검색하는 연산이 필수적이지만 제안하는 기법에서는 공유할 데이터에 대한 복호화 키를 생성하면 되므로 추가적인 검색연산이 필요하지 않다.

4.2 성능 분석

4.2.1 성능 지표와 실험 시나리오

본 논문에서 데이터 공유기법을 객관적으로 평가하기 위해 정의한 2가지 성능 지표는 다음과 같다. 의료 데이터 공유를 위한 데이터 암호화 시간과 의료 데이터 암호화를 위해 소비된 에너지양(E = V×I×T)을 성능의 지표로 삼는다. 성능 지표 측정을 위한 실험 환경은 Table 4와 같다.

Table 4. Data Sharing Scheme Performance Evaluation Environment

JBBHCB_2024_v34n6_1369_9_t0002.png 이미지

성능 측정에서 Qiu 등[17]의 기법에서 PRF는 원본 데이터를 저장한 이후 공유 전 암호화를 수행하고 전달할 수 있기에 PUF 암호화까지만 성능의 지표로 측정한다. 또한 보다 명확한 실험 결과를 도출하기 위해 실험에 사용되는 모든 데이터는 Fig 9와 같은 JSON(JavaScript Object Notation) 형식으로 데이터를 변환하여 변인을 통제한다.

JBBHCB_2024_v34n6_1369_9_f0001.png 이미지

Fig. 9. JSON type of EHR Data

라즈베리 파이 3B 환경에서 성능 측정을 위한 실험 시나리오는 4가지로 구성되어 있다. 첫 번째로는 환자가 간단한 검사, 진단 결과 업데이트 등과 같이 비교적 간단한 진료를 통해 생성되는 EHR 데이터를 공유하는 시나리오에서 성능을 측정한다. 데이터 공유 플랫폼인 Kaggle[30]을 통해 실험 데이터를 구성했으며, 데이터는 오픈소스 synthetichealth[31]의 의료 데이터 생성기 synthea를 통해 생성된 가상의 EHR 데이터이다. 두 번째 실험은 X-Ray, CT, MRI 데이터 등 의료 영상 데이터를 공유하는 시나리오에서 성능을 측정한다. 명확한 의료 진단을 위해 의료 영상 데이터는 필수적이기에 비교적 높은 용량을 지닌 의료 영상 데이터를 암호화하는 과정에서 효율성을 증명하고자 한다. 데이터는 미국 국립보건연구원 산하 NCI( National Cancer Institute)의 National Cancer Program에서 제공하는 TCGA-LUAD 데이터를 사용한다. 데이터는 디지털 의료 영상 및 통신 표준으로 불리는 DICOM(Digital Imaging and Communicati- on in Medical) 형식으로 구성되어 있다[32]. 세 번째 시나리오는 환자가 높은 용량의 의료 데이터를 공유하는 시나리오에서 성능을 측정한다. 높은 용량의 의료 데이터를 구성하기 위해 여러 DICOM 데이터를 결합함으로써 데이터를 구성했다. 마지막으로 Dhead에 해당하는 EHR 데이터 암호화를 위한 세션 키(⍺C)의 크기에 따른 성능을 측정하는 실험을 진행한다. 단 세션 키(⍺C)와 암호화를 위해 생성하는 Seed 값(⍺iC )의 크기는 동일하다.

4.2.2 의료 데이터 암호화 시간 비교

측정된 의료 데이터(EHR, DICOM) 암호화 평균 소비 시간은 Fig 10과 같다. 동일한 EHR, DICOM 데이터에 대해 Qiu 등[17]의 기법, 제안하는 기법과 AES(Advance Encryption Standard)을 20회 수행하여, 측정된 시간의 평균을 도출하였다.

JBBHCB_2024_v34n6_1369_10_f0001.png 이미지

Fig. 10. Encryption Time EHR & DICOM

EHR 데이터(82.3KB)에서는 제안하는 기법이 약 0.35초로 가장 빨랐으며, 다음은 약 0.36초로 AES 기법이, 약 0.37초로 Qiu 등[17]의 기법이 가장 느린 결과가 도출되었다. 이와 달리 DICOM 데이터(2.2MB)에서는 제안하는 기법이 약 5.4초로 가장 빠르며, 다음은 약 5.46초로 Qiu 등[17]의 기법, 약 5.67초로 AES가 가장 느림을 보여준다. 이를 통해 일반적인 의료 데이터 공유 과정에서 제안하는 기법이 가장 빠르게 의료 데이터를 암호화함을 보여준다.

Table 5는 높은 용량의 의료 데이터(24, 51, 132, 170MB)를 암호화하기 위해 소비된 시간을 보여준다. 앞선 실험 결과와 동일하게 파일 크기가 증가함에도 제안하는 기법이 가장 적은 암호화 시간을 보여준다. 제안하는 기법에 비해 Qiu 등[17]의 기법은 약 0.77%, AES는 약 5%의 암호화 시간 증가율을 보인다. 또한 낮은 용량의 의료 데이터에서는 Qiu 등[17]의 기법보단 AES가 시간상으로 빠름을 보이지만 데이터의 크기가 증가할수록 Qiu 등[17]의 기법이 AES에 비해 암호화 속도가 빨라지는 결과를 보여준다.

Table 5. DICOM encryption times(Sec) for various sizes

JBBHCB_2024_v34n6_1369_10_t0001.png 이미지

4.2.3 암호화 에너지 소비량 비교

Fig 11은 의료 데이터(EHR, DICOM)를 암호화하며 소비된 평균 에너지양을 비교한 그림이다. 소비된 에너지양을 계산하기 위해 E = V×I×T 공식을 통해 도출했으며, 20회 실험을 통해 도출된 에너지 양의 평균값을 사용하였다. 이때 E는 에너지양, V는 전압, I는 전류, T는 시간을 의미한다. EHR 데이터 암호화를 위해 소비된 평균 에너지양의 경우 제안하는 기법이 약 333.2444로 가장 낮았으며, Qiu 등[17]의 경우 제안된 기법에 비해 12.1%가 증가한 373.5842, AES의 경우 약 18.1%가 증가한 393.5425로 측정되었다. DICOM 데이터에서는 암호화 시간과 다르게 암호화를 위해 소비된 에너지양의 경우 제안하는 기법이 약 7480.456으로 가장 낮았으며, Qiu 등[17]의 기법의 경우 제안된 기법에 비해 4.3% 증가한 7802.803, AES의 경우 약 12% 정도 증가한 8378.465로 측정되었다.

JBBHCB_2024_v34n6_1369_10_f0002.png 이미지

Fig. 11. Energy consumption for encrypting EHR & DICOM

이를 통해 데이터의 크기에 상관없이 제안하는 기법이 가장 적은 에너지 소모량을 보인다. 또한 암호화 시간과 달리 파일의 크기와 상관없이 Qiu 등[17]의 기법이 AES보다 낮은 에너지 소비량을 보인다.

4.2.4 세션 키(⍺C)의 크기에 따른 암호화 시간 비교

Fig 12는 제안하는 기법에서 Long-Term Key ⍺를 통해 생성되는 세션 키 ⍺C 크기 변화에 따른 암호화 시간 경향을 나타낸다. DICOM(2.2MB) 데이터에 대해 세션 키 크기를 80 bits, 128 bits, 256 bits, 384 bits로 변경하여, 암호화에 소요된 시간을 측정하였다.

JBBHCB_2024_v34n6_1369_11_f0001.png 이미지

Fig. 12. Encryption time changes depending on the size of Session Key

세션 키 ⍺C크기가 64 bits와 80 bits 간 0.017초의 차이를 보이지만, 128 bits와 256 bits 간 약 0.15초의 급격한 차이를 보여준다. 세션 키 ⍺C가 암호화 키 생성을 위한 Seed의 입력에 들어감에 따라 세션 키 크기가 증가하면 암호화 시간이 증가하는 경향을 보인다.

성능 분석실험을 통해 제안하는 기법은 라즈베리파이 3B 환경에서 EHR 데이터와 DICOM 데이터에서 Qiu 등[17]의 기법에 비해 최소 0.05초 빠르며, 에너지 소비량 역시 4.3%가 적음을 보여준다. 이를 통해 Qiu 등[17]의 기법과 달리 IoT 기기에서 효율적으로 활용할 수 있음을 보여준다.

4.3 안전성 분석

전수 공격으로부터의 안전성. 제안하는 기법과 Qiu 등[17]의 의료 데이터 공유 기법은 모두 키 노출에 대한 안전성(Security Against Key Exposure)을 만족하나, 제안하는 기법은 Qiu 등[17]의 기법과 달리 전수조사 공격에 강건하다고 볼 수 있다. Qiu 등[17]의 의료 데이터 공유기법은 사용하는 해시함수의 출력 크기가 256 bits일 경우 PRF 조각 크기가 32 bits, 해시함수의 출력 크기가 512 bits일 경우 64 bits 크기로 고정된다. 개별 PRF 조각 크기는 현대 안전성[28]에 비해 낮은 bit 수를 지니고 있어 전수조사 공격에 안전하지 않다. 하지만 제안하는 기법은 스마트 기기에 저장된 Long-Term Key를 통해 생성하는 세션 키(⍺C)의 크기를 현대 안전성보다 높은 bits로 설정할 수 있어 Qiu 등[17]의 기법과 달리 전수조사 공격에 강건하다.

기지 키 공격으로부터의 안전성. 다음 정리를 통해 Long-Term Key를 바탕으로 공유하려는 데이터마다 복호화하기 위한 키를 생성하는 과정에서 기지 키 공격(Known-Key)에 대한 안전성을 분석한다. 기지 키 공격에 대한 안전성이란, 키 구축(Key Establishment) 프로토콜에서 요구되는 안전성으로 두 명 이상의 참여자가 세션마다 서로 공유하는 비밀 키인 세션 키를 구축하는 과정에서 여러 세션키들이 노출되었음에도 불구하고, 노출되지 않은 세션 키의 비밀성에는 영향을 주지 않아야 하는 것을 의미한다[33, 34]. 기지 키 공격으로부터 안전하기 위해서는 이전 세션 키 생성에 사용된 입력과 독립적인 입력을 통해 새로운 세션 키를 생성해야 한다.

본 논문의 기법 역시 환자는 타 의료기관에게 복호화 키를 생성 및 공유해야 하기에 추구 목표의 관점에서 키 구축 프로토콜과 동일한 맥락이라 볼 수 있다. 이때, 각 세션은 환자가 공유하려는 의료 데이터에 대해 타 의료기관에 안전하게 전달하는 복호화 키를 생성하는 과정으로 본다. 이와 달리 Qiu 등[17]의 기법에서는 결과적으로 데이터 자체(일부)를 복호화키로 사용하므로 안전하다고 볼 수 없으며, 키 구축 프로토콜로 보기 어렵다.

정리. Dihead는 EHR 데이터 헤더, ⍺C는 세션(복호화) 키이고, i는 각 세션을 의미할 때, 세션 키 생성시 사용되는 암호학적 해시함수는 암호학적으로 안전한 의사난수생성기(PRNG, Pseudo Random Number Generator)를 만족한다면, 제안하는 세션 키 생성 기법은 기지 키 공격에 강건하다.

증명. 공격자 A가 과거의 세션 키 ⍺i-1C와 그에 대응하는 헤더 Di-1head을 얻었다고 가정하자. A는 과거의 세션 키를 획득했을 때 i번째 세션 키 ⍺iC를 계산하는 것을 목표로 한다. 이때 A가 세션 키 ⍺iC를 계산하고자 전수조사를 통해 Dihead을 획득했음에도 불구하고 ⍺iC는 ⍺i-1C와 독립적으로 생성된다. 따라서 공격자가 ⍺i-1C, Di-1head와 Dihead를 알더라도 ⍺iC를 생성할 수 없다. 또한 공격자가 과거의 세션 키 ⍺i-1C와 그에 대한 헤더 Di-1head를 통해 Long-Term Key ⍺를 계산하고자 하더라도 암호학적 해시함수에 기반한 세션 키 생성 기법은 역상저항성을 만족한다. 따라서 공격자는 역상저항성을 만족하는 암호학적 해시 함수로 도출된 세션 키를 통해 ⍺를 얻을 수 없으므로 기지 키 공격에 강건하다.

세션 키 안전성과 전수조사의 안전성을 제외한 전체 시스템의 안전성은 Qiu 등[17]의 논문의 안전성을 따른다.

V. 결론

의료 마이데이터 사업이 추진됨에 따라 민감한 환자의 의료 데이터를 안전하게 전송하고 공유하는 것은 필수적이다. Qiu 등[17]은 MCPS(Medical Cyber Physical System) 환경에서 의료 데이터를 안전하게 공유할 수 있는 기법을 제안하였다. 하지만 사용자 기기에 데이터의 일부가 저장됨으로서 사용자 기기에 저장공간 오버헤드 발생하고 이에 따라 추가적인 검색연산이 필요하다는 단점이 있다. 따라서 본 연구에서는 기존의 연구에서 발생했던 저장 공간 오버헤드와 추가적인 검색연산을 Long-Term Key를 도입함으로써 극복할 수 있음을 보였다.

또한 실제 IoT 기기 라즈베리 파이를 활용하여 의료 데이터 암호화에 소비되는 시간과 에너지양을 측정하였다. 실험을 통해 낮은 용량의 의료 데이터부터 높은 용량의 의료 데이터까지 제안하는 기법이 Qiu 등[17]의 기법에 비해 빠른 암호화 시간과 낮은 에너지 소비량을 보임으로써 저장공간이 제한된 IoT 기기에서 사용할 수 있음을 보였다. 이와 함께 Qiu 등[17]의 기법과 달리 전수조사 공격에 안전하며, Long-Term Key를 통해 생성된 세션 키가 노출되더라도 노출되지 않은 세션 키 기밀성에 영향을 주지 않는 기지 키 공격에 강건하다.

제안하는 기법을 통해 MCPS 환경에서 안전하게 사용자의 의료 데이터를 공유함으로써 의료 마이데이터의 도입을 통해 우려되는 의료 데이터 노출로 인해 발생하는 문제를 해결할 수 있을 것으로 기대한다.

본 논문은 암호화 키가 노출된 환경에서도 안전한 의료 데이터 공유를 위해 사전에 사용자와 의료기관 간 키 교환이 요구된다. 요구사항으로 인해 사용자는 공유된 키와 Long-Term Key를 관리해야 하는 문제가 발생한다. 향후 연구에서는 사전에 의료기관에 암호화 키를 등록하지 않아도 안전하게 의료 데이터를 의료기관과 공유할 수 있는 기법을 제안함으로써, 보다 더 사용자 중심적인 의료 데이터 공유기법을 제안하고자 한다.

References

  1. A. Shobanadevi, and G. Maragatham,"Data mining techniques for IoTandbig data—A survey," 2017International Conference onIntelligent Sustainable Systems (ICISS),2017
  2. D. Piaggio, R. Castaldo, M. Cinelli, S. Cinelli, A. Maccaro and L. Pecchia, "A framework for designing medical devices resilient to low-resource settings," Globalization and health, vol. 17, no. 64, ,2021 https://doi.org/10.1186/s12992-021-00718-z
  3. A. Torres, P. Pilar, J.D. Santos, I.V. Pereira, and P.B. Pires, "Analyzing Driving Factors of User-Generated Content on YouTube and Its Influence on Consumers Perceived Value," Marketing and Smart Technologies, pp.683-696, 2022. https://doi.org/10.1007/978-981-19-9099-1_47
  4. R. Abdolkhani, K. Gray, A. Borda, and R. DeSouza, "Patient-generated health data management and quality challenges in remote patient monitoring," JAMIA open, vol. 2, pp.471-478, 2019. https://doi.org/10.1093/jamiaopen/ooz036
  5. Korea Data Agency, "2023 Data Industry White Paper" https://www.kdata.or.kr/kr/whitePaper/view.do, 2024.10
  6. Institute of Information & Communications Technology Planning & Evaluation, "2023 Data Industry Surveys" https://iitp.kr/kr/1/knowled ge/statisticsView.it?masterCode=publication&searClassCode=K_STAT_01&identifier=02-008-240531-000001, 2024.10
  7. Personal Information Protection Commission, "technical R&D Loadmap(22~26)" https://www.pipc.go .kr/np/default/page.do?mCode=I030030000, 2024.
  8. X. Cheng, F. Chen, D. Xie, H. Sun, C. Huang, and Z. Qi, "Blockchain based secure authentication scheme for medical data sharing," International Conference of Pioneering Computer Scientists, Engineers and Educators, pp. 396-411, Sep.2019.
  9. X. Cheng, F. Chen, D. Xie, H. Sun, and C. Huang, "Design of a secure medical data sharing scheme based on blockchain," Journal of medical systems, vol. 44, pp. 52, 2020. https://doi.org/10.1007/s10916-019-1468-1
  10. S. Vidhya and V. Kalaivani, "A blockchain based secure and privacy aware medical data sharing using smart contract and encryption scheme," Peer-to-Peer Networking and Applications, vol. 16, pp. 900-913. 2023. https://doi.org/10.1007/s12083-023-01449-1
  11. A.K. Mishra and Y. Mohapatra, "Hybrid blockchain based medical data sharing with the optimized CP-ABE for e-Health systems," International Journal of Information Technology, vol. 16, pp. 121-130, 2024. https://doi.org/10.1007/s41870-023-01625-9
  12. B. Fabian, T. Ermakova, and P. Junghanns, "Collaborative and secure sharing of healthcare data in multi-clouds," Information Systems, vol. 48, pp. 132-150, 2015. https://doi.org/10.1016/j.is.2014.05.004
  13. A. Mubarakali, "Healthcare services monitoring in cloud using secure and robust healthcare-based BLOCK CHAIN (SRHB) approach," Mobile Networks and Applications, vol. 25, pp. 1330-1337, 2020. https://doi.org/10.1007/s11036-020-01551-1
  14. S. Uma Maheswari and C. Vasanthanayaki, "Secure medical health care content protection system (SMCPS) with watermark detection for multi cloud computing environment," Multimedia Tools and Applications, vol. 79, pp. 4075-4097, 2020. https://doi.org/10.1007/s11042-019-7724-z
  15. R.Y. Patil, A. Karati, Y. Patil, and A. Bannore, Reliable data sharing in medical cyber physical system using fog computing, Intelligent Edge Computing for Cyber Physical Applications, Academic Press, pp. 67-83, 2023.
  16. R.Y. Patil, "A secure privacy preserving and access control scheme for medical internet of things (MIoT) using attribute-based signcryption," International Journal of Information Technology, vol. 16, pp. 181-191, 2024. https://doi.org/10.1007/s41870-023-01569-0
  17. H. Qiu, M. Qiu, M. Liu, and G. Memmi, "Secure health data sharing for medical cyber-physical systems for the healthcare 4.0," journal of biomedical and health informatics, vol. 24, pp. 2499-2505, 2020. https://doi.org/10.1109/JBHI.2020.2973467
  18. C. Guo and J. Chen, Big data analytics in healthcare, Knowledge technology and systems: Toward establishing knowledge systems science, Singapore: Springer Nature Singapore, pp. 27-70, 2023.
  19. A. Alorwu, S. Kheirinejad, N. Van Berkel, M. Kinnula, D. Ferreira, A.Visuri and S. Hosio, "Assessing MyData scenarios: Ethics, concerns, and the promise," Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, pp. 1-11, may.2021.
  20. C. Jayathilake, P. Keikhosrokiani, and M. Isomursu, "The Adoption of MyData-Based Health Applications Among Elderly Citizens in Nordic Countries and the UK," Nordic Conference on Digital Health and Wireless Solutions, pp. 147-165, may.2024.
  21. A.K. Saiod, D. van Greunen, and A. Veldsman, Electronic health records: benefits and challenges for data quality, Handbook of Large-Scale Distributed Computing in Smart Healthcare, pp. 123-156, 2017.
  22. T. Heart, O. Ben-Assuli, and I. Shabtai, "A review of PHR, EMR and EHR integration: A more personalized healthcare and public health policy," Health Policy and Technology, vol. 6, pp. 20-25, 2017. https://doi.org/10.1016/j.hlpt.2016.08.002
  23. J. Almeida, S. Frade, and R. Cruz-Correia, "Exporting data from an openEHR repository to standard formats," ocedia Technology, vol. 16, pp. 1391-1396, 2014.
  24. N.A.N. Ariffin, A.M. Yunus, and I.K.A. Kadir, "Benefits and challenges of electronic medical records (EMR) implementation in developing countries," International Conference on Governace, Management and Social Innovation, pp. 175, 2019.
  25. I., Lee and O. Sokolsky, "Medical cyber physical systems," Proceedings of the 47th design automation conference, pp. 743-748, June.2010.
  26. A.K. Tyagi and N. Sreenath, "Cyber Physical Systems: Analyses, challenges and possible solutions," Internet of Things and Cyber-Physical Systems, vol. 1, pp. 22-33, July.2021. https://doi.org/10.1016/j.iotcps.2021.12.002
  27. N. Dey, A.S. Ashour, F. Shi, S.J. Fong, and J.M.R. Tavares, "Medical cyber-physical systems: A survey," Journal of medical systems, vol. 42, pp. 1-13, 2018. https://doi.org/10.1007/s10916-018-0921-x
  28. E. Barker and A. Roginsky, "Transitioning the Use of Cryptographic Algorithms and Key Lengths," NIST Special Publication (SP) 800-131A, National Institute of Standards and Technology, 2019.
  29. E. Austin, J.R. Lee, D. Amtmann, R. Bloch, S.O. Lawrence, D. McCall, ... and D.C. Lavallee, "Use of patient-generated health data across healthcare settings: implications for health systems," JAMIA open, vol. 31, pp. 70-76, 2020. https://doi.org/10.1093/jamiaopen/ooz065
  30. Kaggle, "Synthea Dataset Jsons – EHR" https://www.kaggle.com/data sets/krsna540/synthea-dataset-jsons-ehr, 2024.
  31. synthetichealth, "Synthea" https://synthetichealth.github.io/synthea/, 2024.
  32. B. Albertina, M. Watson, C. Holback, R. Jarosz, S. Kirk, Y. Lee, K. Rieger-Christ, and J. Lemmerman, "The Cancer Genome Atlas Lung Adenocarcinoma Collection (TCGALUAD) (Version 4) [Data set], The Cancer Imaging Archive," https://doi.org/10.7937/K9/TCIA.2016.JGNIHEP5, 2016.
  33. A.J. Menezes, P.C. Van Oorschot, and S.A. Vanstone, Handbook of applied cryptography, CRC press. 2018.
  34. Y. Yacobi and Z. Shmuely, "Onkeydistribution systems," Conferenceonthe Theory and Applicationof Cryptology pp. 344-355, August.1989.