Una de las industrias con la tasa de crecimiento más rápida es la de la salud, y la enorme cantidad de datos de esta industria requiere un extenso almacenamiento en la nube. La nube puede ofrecer cierta protección, pero no hay garantía de que los propietarios de datos puedan confiar en ella para refugio y servicios de privacidad. Por lo tanto, es esencial ofrecer seguridad y protección de privacidad. Sin embargo, mantener la privacidad y seguridad en un entorno de nube verde no confiable es difícil, por lo que el propietario de los datos debería tener un control total de los datos. Se sugiere un nuevo trabajo, SecPri-BGMPOP (Seguridad y Privacidad de BoostGraph Convolutional Network-Pinpointing-Optimization Performance), que puede ofrecer una solución que involucra varios pasos diferentes para manejar los numerosos problemas relacionados con la seguridad y la protección de la privacidad. El algoritmo de Agrupación de Redes Convolucionales de Grafos Mejoradas (BGCNC), que reduce la complejidad computacional en términos de mediciones de tiempo y memoria, se aplicó primero al conjunto de datos de entrada para comenzar el proceso de agrupación. En segundo lugar, se amplió empleando una parte de la cadena de bits amplificadora para generar una clave segura; el cifrado basado en el señalamiento evita la amplificación de fugas incluso si un rival o atacante descifra la clave o el cifrado asimétrico. Finalmente, para determinar la precisión del método, se creó una clave óptima utilizando un marco algorítmico metaheurístico llamado Optimización de Horda de Fragmentos Hibridos Blandos Lobo (HFHBLO). Nuestro método propuesto se mantiene actualmente en un entorno de nube, lo que permite a los usuarios de análisis utilizarlo sin arriesgar su privacidad o seguridad.