CN112348204A - 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 - Google Patents

一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 Download PDF

Info

Publication number
CN112348204A
CN112348204A CN202011221699.6A CN202011221699A CN112348204A CN 112348204 A CN112348204 A CN 112348204A CN 202011221699 A CN202011221699 A CN 202011221699A CN 112348204 A CN112348204 A CN 112348204A
Authority
CN
China
Prior art keywords
reputation
model
task
worker
local
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011221699.6A
Other languages
English (en)
Other versions
CN112348204B (zh
Inventor
覃振权
叶晋
朱明�
卢炳先
王雷
王治国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202011221699.6A priority Critical patent/CN112348204B/zh
Publication of CN112348204A publication Critical patent/CN112348204A/zh
Application granted granted Critical
Publication of CN112348204B publication Critical patent/CN112348204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，首先计算边缘节点的参数质量和声誉，进行边缘节点选择；其次，边缘服务器给选择的边缘节点发布初始模型，边缘节点利用本地数据集来进行本地训练；然后，边缘服务器通过使用从边缘节点收集的本地训练数据参数来更新全局模型，在每次迭代中训练全局模型，并更新声誉和质量度量；最后，利用联盟区块链作为一种分散的方法，在不否认和篡改的情况下实现对工人的有效声誉和质量管理。此外，本发明还将信誉共识机制引入到区块链中，使得区块链中记录的边缘节点也更加高质量，提高整体模型效果。本发明使海洋物联网边缘计算框架具有更高效的数据处理以及更安全的数据保护能力。

Description

一种基于联邦学习和区块链技术的边缘计算框架下海洋物联 网数据安全共享方法
技术领域
本发明属于边缘计算技术领域，特别涉及一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法。
背景技术
近年来，区块链凭借其匿名性、不篡改性和分布性的特点，为多个不可信方之间的边缘计算提供了安全可靠的解决方案，成为了边缘计算领域的一个新的研究热点。同时，联邦学习技术作为近年来新兴的在数据处理方面有强大功能的技术，凭借其分布式、局部计算等特点，更适合与区块链集成应用于边缘计算领域。区块链结合联邦学习技术在边缘计算中具体应用为：使用联邦学习技术利用物联网边缘节点(例如移动设备)的分布式个性化数据集来进行本地训练，同时为边缘节点提供隐私保护，边缘服务器通过使用从边缘节点收集的本地训练数据参数来更新全局模型，在每次迭代中训练全局模型；然后，引入声誉和参数质量的对边缘节点的可信度进行度量，以选择可靠高质量的联邦学习任务工，使用区块链技术在不否认和篡改的情况下实现对工人的有效声誉和质量管理。本发明主要针对海洋物联网场景，在该场景中，物联网边缘节点具有更少的能量，以及更大的移动性，需要联邦学习提高计算效率，区块链提高可靠性，来进行安全的数据共享。
2020年，Yunlong Lu等人在论文《Blockchain and Federated LearningforPrivacy-preserved Data Sharing in Industrial IoT》中提出一种区块链授权的安全数据共享体系结构，将数据共享问题与机器学习问题相结合，通过共享数据模型而不是揭示实际数据，很好地维护了数据的隐私，并将联邦学习集成在许可区块链中。此方案将联邦学习模型和参数传递过程通过区块链进行存储共享，保证了共享过程的安全性。但是，并未考虑联邦学习工人选择问题，可能有低质量或恶意节点参与到联邦学习中，浪费资源整合，影响模型整体聚合。Jiawen Kang等人在论文《Reliable Federated LearningforMobile Networks》提出了一种基于声誉作为一个可靠的度量来选择可信的工人进行可联邦学习的方案，使用多权重主观逻辑模型根据任务发布者的交互历史和推荐的声誉意见，设计了一种高效的声誉计算方案，并将声誉使用部署在边缘节点上的区块链进行管理。但是，该方法仅仅考虑了边缘节点的信誉问题，并未考虑节点的参数质量。
综上所述，基于联邦学习和区块链技术的数据安全共享技术主要有如下缺陷：(1)没有考虑高效的联邦学习工人筛选方案，即同时考虑信誉和参数质量。(2)没有考虑服务器在添加区块链时适合的共识机制。(3)现有的方法对于复杂的海洋环境可能并不适合。
发明内容
本发明的目的是提出一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，以解决上述技术问题。
为实现上述目的，本发明提供了如下方案：
一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，步骤如下：
(1)发起联邦学习，主要包括以下4个步骤：
(1.1)任务发布：来自任务发布者的联邦学习任务首先以特定的数据需求(例如数据大小、类型和时间范围)进行广播，满足特定的数据要求的边缘节点加入一个任务，将一个连接请求与身份和数据资源信息返回到一个任务发布者。
(1.2)计算候选人的声誉及参数质量：任务发布者根据资源信息选择合格的工人候选人。然后，任务发布者根据来自交互历史的本地声誉意见和推荐声誉意见，以权重主观逻辑模型来计算工人候选人的声誉值。推荐声誉意见存储和管理在开放访问声誉区块链上。声誉区块链是将工人候选人的声誉意见记录到数据块中的公共分类账。对于每个工人候选人，任务发布者首先从区块链下载最新的推荐声誉意见，然后将其本地声誉意见与推荐的声誉意见相结合，生成一个综合值作为每个工人的最终声誉。
如果发布者认为来自工作人员j的本地模型更新是可靠的，任务发布者i将训练迭代视为一个正交互事件，反之亦然。任务发布者记录所有工人在学习任务的积极和消极互动事件的数量，即αj和βj，并为工人产生声誉意见。每个声誉意见被表示为一个意见向量，由信任度bi→j、不信任度di→j和不确定性度ui→j组成，不确定性程度取决于工人j与任务发布者i之间通信链路的质量，即数据包传输的不成功概率。信任(不信任)度用所有具有良好沟通质量的交互作用的正(负)交互百分比表示，为：
Figure BDA0002762263770000031
从意见向量生成一个信誉值，以表示工人的信誉，信誉值表示为：
Ti→j＝bi→j+γui→j
其中γ是给定的常数，表示声誉不确定性的影响水平。
任务发布者根据交互历史，计算工人训练得到的参数对总体模型参数的贡献，Ci表示最终模型的第i个参数，
Figure BDA0002762263770000032
表示工人j每次迭代上传的第i个参数。
Figure BDA0002762263770000033
为迭代过程中工人j对第i个参数的每次迭代的差距平方和，
Figure BDA0002762263770000034
计算如下：
Figure BDA0002762263770000041
设参数个数为n，则工人j的总贡献Hj为
Figure BDA0002762263770000042
工人的贡献越大，则参数质量越高。
(1.3)工人选择：经信誉计算，信誉大于一个阈值的候选人可入选，然后以优先声誉值，参数质量值次之从工人候选人中挑选其需要个数的工人。信誉值超过阈值且参数质量值更高的工人候选人可以被选择为工人。
(1.4)进行联邦学习：任务发布者向工人发布共享的全局模型，每个工人通过其本地数据对模型进行训练。然后，上传新的模型参数(即本地模型更新)到任务发布者以更新全局模型。
联邦学习任务可以通过不同的优化算法来训练，如SGD。具体步骤：从预定义范围中随机选择工人共享全局模型，收到此模型后，工人可以通过自己的本地数据进行协作训练，并将其本地模型更新上传到任务发布者。为了评估本地模型更新的可靠性，任务发布者通过攻击检测方案对本地模型更新进行质量评估，例如，独立和同分布(IID)数据场景下的拒绝负影响(RONI)方案和非IID数据场景下的FoolsGold方案，以识别中毒攻击和不可靠的工作人员。
RONI是一种典型的中毒攻击检测方案，它通过比较任务发布中预定义数据库上的本地模型更新的效果来验证本地模型更新。如果数据集上的本地模型更新的性能下降超过系统给出的指定阈值，则在集成所有本地模型更新时，此本地模型更新将被拒绝。
Fools Gold方案根据非IID联邦学习中局部模型更新的梯度更新多样性来识别不可靠的工人，因为每个工人的培训数据都有一个独特的分布。不可靠的工人可以被检测到，因为他们在每次迭代中重复上传类似于本地模型更新的梯度。
使用上述不可靠的工人和攻击者检测方案，任务发布者可以从不可靠的工作人员中删除不可靠的本地模型更新以及从中毒攻击中删除恶意更新。任务发布者将所有可靠的本地模型更新集成到一个平均值中，并将平均值设置为下一次迭代的新全局模型。任务发布者将此新模型推送给选定的工人进行下一次模型迭代，直到最新的全局模型满足预定义的收敛条件。在每次迭代中，与不可靠的工人或中毒攻击者的交互都被视为负交互，并由任务发布者记录，最后，任务发布者根据过去的交互为联邦学习任务中的所有员工生成直接的声誉意见。
(2)存储更新区块链：
(2.1)搭建区块链：由于边缘节点很容易被移动设备和联邦学习任务发布者连接，因此，有足够的计算和存储资源，作为区块链的预选矿工工作。可以在HyperledgerFabricv上建立声誉区块链系统，并将具有可靠性的参数质量证明(PoQ)算法作为共识算法，以保证区块链中记录的工人都是高质量的。
PoQ共识协商一致的过程由选定的委员会在协作训练工作的基础上执行，通过仅向委员会节点而不是所有节点发送共识消息来减少通信开销。为了平衡开销和安全性，使用了数据共识方面的训练工作证明。根据训练模型的质量选择委员会负责人，由于每个委员会节点都训练本地数据模型，因此应在共识过程中验证和衡量模型的质量。利用预测准确性来量化训练后的本地模型的性能。准确度由有正向效果记录的分数表示，可以利用平均绝对误差(MAE)来衡量：
Figure BDA0002762263770000051
其中f(xi)是模型mi的预测值，yi是记录的真实值。模型mi的MAE越低，mi的精度越高。
在每一轮训练中，先随机选择一部分节点作为认证节点，并从认证节点中依据历史训练表现(累积被认证的MAE值)附加部分随机因子，推选一个领导节点。与传统区块链类似，每个训练的模型存储为一条交易，并被打包进区块。认证节点依据其本地的数据，对训练的模型(即交易)进行验证。验证的过程是计算模型在认证节点数据上的MAE值，并将结果返回给领导节点。如果MAE值在一个规定的阈值范围内，则认为该模型结果是有效的。领导节点综合各认证节点返回的结果，决定交易区块是否有效。完整的基于训练质量的共识机制PoQ过程如下：
1.从所有的参与节点中随机选择一部分认证节点。
2.依据历史表现及部分随机因素，推选出一个领导节点，负责收集打包交易，并向其他节点广播区块。
3.认证节点采用PoQ认证交易(模型参数)，并将认证的结果返回给领导节点。
4.领导节点统计返回的认证结果，并依据综合认证结果，确定区块的合法性。
(2.2)更新声誉意见到声誉区块链：在完成联邦学习任务后，任务发布者根据和工人之间的相互作用历史更新其直接声誉意见。这些具有数字签名的工人的声誉意见被记录为交易，并上传到声誉区块链。矿工将声誉意见放入数据块中，并在块验证和执行共识算法(POQ)后将该块添加到声誉区块链中。最后，所有的任务发布者都可以在声誉区块链的帮助下，为他们的联合学习任务选择具有高声誉和高参数质量的可靠工人。
所述的对于联邦学习工作人员选择进行声誉和质量度量，提升边缘计算效率和安全性。还考虑了工作人员个数的问题，任务发布者根据质量度量选择一定数量的信誉合格的工作人员，更加节约资源，缓解海洋物联网节点资源紧缺的问题。
所述的基于声誉区块链的交易存储，将工作人员的声誉保存在声誉区块链中，保证声誉的不可篡改，使任务发布者可以信赖声誉值，进而进行选择工作人员来训练模型。
所述的采用参数质量证明共识机制(PoQ)的声誉区块链，任务发布者在添加区块时采用PoQ机制，把参数质量更好的工作人员添加进区块链中，更适合任务发布者在选择时按照质量进行挑选，同时工作人员的高质量也使得训练任务能更高水准的完成，达到更好的效果。
本发明的有益效果：本发明提出一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，对于联邦学习工人选择进行声誉和质量度量，提升边缘计算效率和安全性。还考虑了工人个数的问题，任务发布者根据质量度量选择一定数量的信誉合格的工人，更加节约资源。同时基于声誉区块链进行交易存储，将工人的声誉和参数质量保存在声誉区块链中，保证其不可篡改，使任务发布者可以信赖，进而进行选择工人来训练模型，解决了恶意节点影响总体模型的问题。对于区块链共识机制采用参数质量证明共识机制(PoQ)，任务发布者在添加区块时采用PoQ机制，把参数质量更好的工人添加进区块链中，更适合任务发布者在选择时按照质量进行挑选，同时工人的高质量也使得训练任务能更高水准的完成，提高了最终模型的效果和训练效率，解决了海洋物联网中边缘节点数据质量多变的问题。
附图说明
图1是本发明所述的系统模型图。
图2是本发明一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法的流程图。
图3是本发明中区块链的参数质量证明共识机制(PoQ)的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，应用于海洋物联网下高可变环境中边缘节点与边缘服务器之间的数据共享。该环境下，由于海洋的多变性，边缘节点很难控制训练的参数质量，节点一般都是移动性的，所以边缘服务器发布任务需要每次选择可靠的高质量的边缘节点进行训练，以达到更好的训练效果。但每次都进行重新整体计算信誉和质量可能会做很多重复的工作，浪费资源，所以还要考虑将参考度量存储在安全可靠的数据库中，尽可能减少被恶意节点攻击。
本发明的系统模型如图1所示，融合区块链的联邦学习系统，包括应用层和区块链层。对于应用层，由具有边缘计算能力的边缘服务器和一些移动移动边缘节点组成。在移动网络中，具有联邦学习任务的多个任务发布者基于来自边缘节点的数据参数执行模型训练，而不收集数据，以保护边缘节点隐私。每个任务发布者发布全局模型，每个工人迭代地训练一个共享的全局模型，根据其本地数据生成本地模型更新。所有工人将本地模型更新上传到任务发布者，以更新全局模型。训练过程迭代进行，直到全局模型的准确性达到预定义的值。任务发布者根据模型更新和训练的行为，评估本地模型更新质量，并为交互工人生成声誉和参数质量意见。这些声誉意见是由一个名为声誉区块链来维护的，具有防篡改和不可否认性，并在任务发布者之间共享。在区块链层，声誉区块链存储工人的声誉和参数意见，并且使用数据质量证明(PoQ)协商一致算法添加区块。由于区块链的分散和防篡改性质，数据块中的声誉意见是持久和透明的证据。
本发明的流程如图2所示，首先，联邦学习任务发布者(即边缘服务器)计算符合数据条件的边缘节点的参数质量和声誉，进行边缘节点选择；其次，边缘服务器给选择的边缘节点发布初始模型，边缘节点利用本地数据集来进行本地训练；然后，边缘服务器通过使用从边缘节点收集的本地训练数据参数来更新全局模型，并更新声誉和质量度量；最后，使用区块链技术，利用联盟区块链在不否认和篡改的情况下实现对工人的有效声誉和质量管理。
具体步骤如下：
(1)发起联邦学习，主要包括以下4个步骤：
(1.1)任务发布：来自任务发布者的联邦学习任务首先以特定的数据需求(例如数据大小、类型和时间范围)进行广播，满足特定的数据要求的边缘节点加入一个任务，将一个连接请求与身份和数据资源信息返回到一个任务发布者。
(1.2)计算候选人的声誉及参数质量：任务发布者根据资源信息选择合格的工人候选人。然后，任务发布者根据来自交互历史的本地声誉意见和推荐声誉意见，以权重主观逻辑模型来计算工人候选人的声誉值。推荐声誉意见存储和管理在开放访问声誉区块链上。声誉区块链是将工人候选人的声誉意见记录到数据块中的公共分类账。对于每个工人候选人，任务发布者首先从区块链下载最新的推荐声誉意见，然后将其本地声誉意见与推荐的声誉意见相结合，生成一个综合值作为每个工人的最终声誉。
如果发布者认为来自工作人员j的本地模型更新是可靠的，任务发布者i将训练迭代视为一个正交互事件，反之亦然。任务发布者记录所有工人在学习任务的积极和消极互动事件的数量，即αj和βj，并为工人产生声誉意见。每个声誉意见被表示为一个意见向量，由信任度bi→j、不信任度di→j和不确定性度ui→j组成，不确定性程度取决于工人j与任务发布者i之间通信链路的质量，即数据包传输的不成功概率。信任(不信任)度用所有具有良好沟通质量的交互作用的正(负)交互百分比表示，为：
Figure BDA0002762263770000101
qi→j表示数据包传输成功的概率。
从意见向量生成一个信誉值，以表示工人的信誉，信誉值表示为：
Ti→j＝bi→j+γui→j
其中γ是给定的常数，表示声誉不确定性的影响水平。
因为声誉意见受到许多因素的影响。传统的主观逻辑(TSL)在考虑不同因素时，逐渐向多重主观逻辑发展。所以考虑以下因素来计算声誉意见：
交互效应：对局部模型更新的质量评估存在交互事件的正负交互结果。积极的互动增加了工人候选人的声誉，反之亦然。为了抑制负相互作用事件，负相互作用对声誉计算具有较高的权重。分别将正和负相互作用的权重表示为k和η，k≤η且η+k＝1。因此，可以将信任度bi→j、不信任度di→j和不确定性度ui→j的表达式重写为
Figure BDA0002762263770000102
交互新鲜度：工人的可信度随着时间的推移而变化，在任务发布者和工人之间的交互过程中，工作人员并不总是可信和可靠的。最近的互动在更新的事件上比过去的事件有更大的权重。为了反映时间对声誉的影响，定义了一个新鲜度衰落函数来说明交互事件的新鲜度：θ＝θy＝zY-y，其中z∈(0,1)是关于事件新鲜度给定的褪色参数，y∈[1,Y]是决定事件新鲜度褪色程度的时隙y，因此，任务发布者i在一个时间窗口中对工人j的声誉意见被表示为：
Figure BDA0002762263770000111
Figure BDA0002762263770000112
交互位置：工人的可信度往往还随着位置的变化而变化，距离任务发布者越近的工人往往有更高的可信度，因为会更少的受到通信质量等因素影响，这也考虑了海洋物联网中节点的高移动性。定义任务发布者i的坐标为(xi,yi)，工人j坐标为(xj,yj)，则任务发布者i在交互位置属性中对工人j的声誉意见被表示为：
Figure BDA0002762263770000113
其中，
Figure BDA0002762263770000114
为所有候选人到任务发布者的平均距离，m为候选人数量。
每个任务发布者对工作人员的声誉意见被表示为一个单独的向量。任务发布者之间声誉意见的相似性可以通过修正余弦函数通过向量的相似性来衡量。使用修正余弦函数定义任务发布者i和任务发布者x之间的相似因子作为权重，如下所示：
Figure BDA0002762263770000121
其中П和X分别是与任务发布者i和x交互的工人集。C＝П∩X是与任务发布者i和任务发布者x交互的工人集。
Figure BDA0002762263770000126
和
Figure BDA0002762263770000127
分别是他们在C中互动工人的直接声誉意见的平均值。Di→j和Dx→j分别是来自任务发布者i和x的工人j的声誉意见，一个较大的相似因子代表了推荐者的声誉意见。因此，推荐人x的间接声誉意见的总体权重表示为
Figure BDA0002762263770000122
其中0≤δi→x≤1是一个预定义的参数，代表在计算期间任务发布者i的x推荐意见的权重。
推荐人对工人j的所有间接声誉意见都可以以
Figure BDA0002762263770000123
的形式集成到一个整体推荐声誉意见中，即：
Figure BDA0002762263770000124
其中X是与工人j交互的推荐集。不同推荐者的间接声誉意见根据任务发布器i的相应权重被组合成一个整体的推荐声誉。
直接声誉意见与推荐声誉意见相结合：形成综合声誉价值作为工人候选人j的最终声誉时，任务发布者i不仅考虑推荐的声誉意见，同时也考虑直接声誉意见，以避免其他任务发布者作弊。最后的声誉意见表示为
Figure BDA0002762263770000125
其中
Figure BDA0002762263770000131
因此，任务发布者i对工人候选人j的最终信誉值是
Figure BDA0002762263770000132
任务发布者根据交互历史，计算工人训练得到的参数对总体模型参数的贡献，Ci表示最终模型的第i个参数，
Figure BDA0002762263770000133
表示工人j每次迭代上传的第i个参数。
Figure BDA0002762263770000134
为迭代过程中工人j对第i个参数的每次迭代的差距平方和，
Figure BDA0002762263770000135
计算如下：
Figure BDA0002762263770000136
设参数个数为n，则工人j的总贡献Hj为
Figure BDA0002762263770000137
工人的贡献越大，则参数质量越高。
(1.3)工人选择：经信誉计算，信誉大于一个阈值的候选人可入选，然后以优先声誉值，参数质量值次之从工人候选人中挑选其需要个数的工人。信誉值超过阈值且参数质量值更高的工人候选人可以被选择为工人。
(1.4)进行联邦学习：任务发布者向工人发布共享的全局模型，每个工人通过其本地数据对模型进行训练。然后，上传新的模型参数(即本地模型更新)到任务发布者以更新全局模型。
具体来说，每个边缘节点n都有一个带有sn数据样本的本地训练数据集用于联邦学习。来自n个边缘节点的数据样本的总大小为
Figure BDA0002762263770000138
联邦学习目标是通过最小化每个边缘节点在其本地数据集上的本地损失函数ln(Φ)的加权平均值来优化全局损失函数l(Φ)：
Figure BDA0002762263770000141
Figure BDA0002762263770000142
fi(Φ)是边缘节点n的本地数据集中样本数据i的损失函数。
在全局训练迭代t中，每个边缘节点都使用优化算法在其本地数据集上计算其平均梯度Λn。利用随机梯度下降(SGD)算法迭代地选择一批训练样本来计算它们相对于Φ(t)的梯度，并在方向上采取梯度步骤使ln(Φ)最小化。给定边缘节点n的学习速率为
Figure BDA0002762263770000143
本地模型更新用
Figure BDA0002762263770000144
因此，任务发布者通过对所有本地模型更新的加权聚合来更新共享全局模型Φ(t+1)，
Figure BDA0002762263770000145
高精度、高可靠的本地训练数据的高质量边缘节点可以使本地损失函数ln(Φ)和全局损失函数l(Φ)更快收敛，本地模型更新Φn和共享全局模型更新Φ都可以更快地收敛到目标值，迭代次数更少。因而，在全局迭代中，工人的训练时间和能耗降低。培训时间和精力都在消耗在全局迭代中，工人的数量减少。因此，高精度和可靠的本地训练数据的高质量边缘节点可以显著提高联邦学习的学习效率，例如训练时间更少，能量消耗更少。
联邦学习任务可以通过不同的优化算法来训练，如SGD。具体步骤：从预定义范围中随机选择工人共享全局模型，收到此模型后，工人可以通过自己的本地数据进行协作训练，并将其本地模型更新上传到任务发布者。为了评估本地模型更新的可靠性，任务发布者通过攻击检测方案对本地模型更新进行质量评估，例如，独立和同分布(IID)数据场景下的拒绝负影响(RONI)方案和非IID数据场景下的FoolsGold方案，以识别中毒攻击和不可靠的工作人员。
RONI是一种典型的中毒攻击检测方案，它通过比较任务发布中预定义数据库上的本地模型更新的效果来验证本地模型更新。如果数据集上的本地模型更新的性能下降超过系统给出的指定阈值，则在集成所有本地模型更新时，此本地模型更新将被拒绝。
FoolsGold方案根据非IID联邦学习中局部模型更新的梯度更新多样性来识别不可靠的工人，因为每个工人的培训数据都有一个独特的分布。不可靠的工人可以被检测到，因为他们在每次迭代中重复上传类似于本地模型更新的梯度。
使用上述不可靠的工人和攻击者检测方案，任务发布者可以从不可靠的工作人员中删除不可靠的本地模型更新以及从中毒攻击中删除恶意更新。任务发布者将所有可靠的本地模型更新集成到一个平均值中，并将平均值设置为下一次迭代的新全局模型。任务发布者将此新模型推送给选定的工人进行下一次模型迭代，直到最新的全局模型满足预定义的收敛条件。在每次迭代中，与不可靠的工人或中毒攻击者的交互都被视为负交互，并由任务发布者记录，最后，任务发布者根据过去的交互为联邦学习任务中的所有员工生成直接的声誉意见。
(2)存储更新区块链：
(2.1)搭建区块链：由于边缘节点很容易被移动设备和联邦学习任务发布者连接，因此，有足够的计算和存储资源，作为区块链的预选矿工工作。可以在HyperledgerFabricv上建立声誉区块链系统，并将具有可靠性的参数质量证明(PoQ)算法作为共识算法，以保证区块链中记录的工人都是高质量的。
PoQ共识协商一致的过程由选定的委员会在协作训练工作的基础上执行，通过仅向委员会节点而不是所有节点发送共识消息来减少通信开销。为了平衡开销和安全性，使用了数据共识方面的训练工作证明。根据训练模型的质量选择委员会负责人，由于每个委员会节点都训练本地数据模型，因此应在共识过程中验证和衡量模型的质量。利用预测准确性来量化训练后的本地模型的性能。准确度由有正向效果记录的分数表示，可以利用平均绝对误差(MAE)来衡量：
Figure BDA0002762263770000161
其中f(xi)是模型mi的预测值，yi是记录的真实值。模型mi的MAE越低，mi的精度越高。
在每一轮训练中，先随机选择一部分节点作为认证节点，并从认证节点中依据历史训练表现(累积被认证的MAE值)附加部分随机因子，推选一个领导节点。与传统区块链类似，每个训练的模型存储为一条交易，并被打包进区块。认证节点依据其本地的数据，对训练的模型(即交易)进行验证。验证的过程是计算模型在认证节点数据上的MAE值，并将结果返回给领导节点。如果MAE值在一个规定的阈值范围内，则认为该模型结果是有效的。领导节点综合各认证节点返回的结果，决定交易区块是否有效。完整的基于训练质量的共识机制PoQ过程如图3所示：
1.从所有的参与节点中随机选择一部分认证节点。
2.依据历史表现及部分随机因素，推选出一个领导节点，负责收集打包交易，并向其他节点广播区块。
3.认证节点采用PoQ认证交易(模型参数)，并将认证的结果返回给领导节点。
4.领导节点统计返回的认证结果，并依据综合认证结果，确定区块的合法性。
(2.2)更新声誉意见到声誉区块链：在完成联邦学习任务后，任务发布者根据和工人之间的相互作用历史更新其直接声誉意见。这些具有数字签名的工人的声誉意见被记录为交易，并上传到声誉区块链。矿工将声誉意见放入数据块中，并在块验证和执行共识算法(POQ)后将该块添加到声誉区块链中。最后，所有的任务发布者都可以在声誉区块链的帮助下，为他们的联合学习任务选择具有高声誉和高参数质量的可靠工人。
综上所述：
本发明提出一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，通过结合联邦学习和区块链的特性，提升边缘计算效率和安全性。通过引入信誉和参数质量度量，将工人的声誉和参数质量保存在声誉区块链中，保证其不可篡改，使任务发布者可以信赖，进而进行选择工人来训练模型，解决了恶意节点影响总体模型的问题。同时还考虑了工人个数的问题，任务发布者根据质量度量选择一定数量的信誉合格的工人，更加节约资源，缓解海洋物联网节点资源紧缺的问题。最后使用参数质量证明共识机制(PoQ)，把参数质量更好的工人添加进区块链中，提高了最终模型的效果和训练效率，解决了海洋物联网中边缘节点数据质量多变的问题。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，步骤如下：
(1)发起联邦学习
(1.1)任务发布：来自任务发布者的联邦学习任务首先以特定的数据需求进行广播，满足特定的数据要求的边缘节点加入一个任务，将一个连接请求与身份和数据资源信息返回到一个任务发布者；
(1.2)计算候选人的声誉及参数质量：任务发布者根据资源信息选择合格的工作人员候选人；然后，任务发布者根据来自交互历史的本地声誉意见和推荐声誉意见，以权重主观逻辑模型来计算工作人员候选人的声誉值；推荐声誉意见存储和管理在开放访问声誉区块链上；声誉区块链是将工作人员候选人的声誉意见记录到数据块中的公共分类账；对于每个工作人员候选人，任务发布者首先从声誉区块链下载最新的推荐声誉意见，然后将其本地声誉意见与推荐的声誉意见相结合，生成一个综合值作为每个工作人员的最终声誉；
如果任务发布者认为来自工作人员j的本地模型更新是可靠的，任务发布者i将训练迭代视为一个正交互事件，反之亦然；任务发布者记录所有工作人员在学习任务的积极和消极互动事件的数量，即αj和βj，并为工作人员产生声誉意见；每个声誉意见被表示为一个意见向量，由信任度bi→j、不信任度di→j和不确定性度ui→j组成，不确定性程度取决于工作人员j与任务发布者i之间通信链路的质量，即数据包传输的不成功概率；信任度/不信任度用所有具有良好沟通质量的交互作用的正/负交互百分比表示，为：
Figure FDA0002762263760000011
从意见向量生成一个信誉值，以表示工作人员的信誉，信誉值表示为：
Ti→j＝bi→j+γui→j
其中，γ是给定的常数，表示声誉不确定性的影响水平；
任务发布者根据交互历史，计算工作人员训练得到的参数对总体模型参数的贡献，Ci表示最终模型的第i个参数，
Figure FDA0002762263760000021
表示工作人员j每次迭代上传的第i个参数；
Figure FDA0002762263760000022
为迭代过程中工作人员j对第i个参数的每次迭代的差距平方和，
Figure FDA0002762263760000023
计算如下：
Figure FDA0002762263760000024
设参数个数为n，则工作人员j的总贡献Hj为
Figure FDA0002762263760000025
工作人员的贡献越大，则参数质量越高；
(1.3)工作人员选择：经信誉计算，信誉大于一个阈值的候选人可入选，然后以优先声誉值，参数质量值次之从工作人员候选人中挑选其需要个数的工作人员；信誉值超过阈值且参数质量值更高的工作人员候选人被选择为工作人员；
(1.4)进行联邦学习：任务发布者向工作人员发布共享的全局模型，每个工作人员通过其本地数据对全局模型进行训练；然后，上传新的模型参数即本地模型更新到任务发布者以更新全局模型；
联邦学习任务通过不同的优化算法来训练，具体步骤：从预定义范围中随机选择工作人员共享全局模型，收到此模型后，工作人员通过自己的本地数据进行协作训练，并将其本地模型更新上传到任务发布者；为了评估本地模型更新的可靠性，任务发布者通过攻击检测方案对本地模型更新进行质量评估；
RONI是一种中毒攻击检测方案，它通过比较任务发布中预定义数据库上的本地模型更新的效果来验证本地模型更新；如果数据集上的本地模型更新的性能下降超过系统给出的指定阈值，则在集成所有本地模型更新时，此本地模型更新将被拒绝；
Fools Gold方案根据非IID联邦学习中局部模型更新的梯度更新多样性来识别不可靠的工作人员，因为每个工作人员的培训数据都有一个独特的分布；不可靠的工作人员可被检测到，因为他们在每次迭代中重复上传类似于本地模型更新的梯度；
使用上述不可靠的工作人员和攻击者检测方案，任务发布者从不可靠的工作人员中删除不可靠的本地模型更新以及从中毒攻击中删除恶意更新；任务发布者将所有可靠的本地模型更新集成到一个平均值中，并将平均值设置为下一次迭代的新全局模型；任务发布者将此新全局模型推送给选定的工作人员进行下一次模型迭代，直到最新的全局模型满足预定义的收敛条件；在每次迭代中，与不可靠的工作人员或中毒攻击者的交互都被视为负交互，并由任务发布者记录，最后，任务发布者根据过去的交互为联邦学习任务中的所有员工生成直接的声誉意见；
(2)存储更新区块链
(2.1)搭建区块链：由于边缘节点很容易被移动设备和联邦学习任务发布者连接，因此，有足够的计算和存储资源，作为区块链的预选矿工工作；在Hyperledger Fabricv上建立声誉区块链系统，并将具有可靠性的参数质量证明算法PoQ作为共识算法，以保证区块链中记录的工作人员都是高质量的；
PoQ共识协商一致的过程由选定的委员会在协作训练工作的基础上执行，通过仅向委员会节点而不是所有节点发送共识消息来减少通信开销；为了平衡开销和安全性，使用数据共识方面的训练工作证明；根据训练模型的质量选择委员会负责人，由于每个委员会节点都训练本地数据模型，因此应在共识过程中验证和衡量模型的质量；利用预测准确性来量化训练后的本地模型的性能；准确度由有正向效果记录的分数表示，利用平均绝对误差MAE来衡量：
Figure FDA0002762263760000041
其中，f(xi)是模型mi的预测值，yi是记录的真实值；模型mi的MAE越低，mi的精度越高；
在每一轮训练中，先随机选择一部分节点作为认证节点，并从认证节点中依据历史训练表现即累积被认证的MAE值附加部分随机因子，推选一个领导节点；每个训练的模型存储为一条交易，并被打包进区块；认证节点依据其本地的数据，对训练的模型进行验证；验证的过程是计算模型在认证节点数据上的MAE值，并将结果返回给领导节点；如果MAE值在一个规定的阈值范围内，则认为该模型结果是有效的；领导节点综合各认证节点返回的结果，决定交易区块是否有效；完整的基于训练质量的共识机制PoQ过程如下：
1)从所有的参与节点中随机选择一部分认证节点；
2)依据历史表现及部分随机因素，推选出一个领导节点，负责收集打包交易，并向其他节点广播区块；
3)认证节点采用PoQ认证交易，并将认证的结果返回给领导节点；
4)领导节点统计返回的认证结果，并依据综合认证结果，确定区块的合法性；
(2.2)更新声誉意见到声誉区块链：在完成联邦学习任务后，任务发布者根据和工作人员之间的相互作用历史更新其直接声誉意见；具有数字签名的工作人员的声誉意见被记录为交易，并上传到声誉区块链；矿工将声誉意见放入数据块中，并在块验证和执行共识算法后将该块添加到声誉区块链中；最后，所有的任务发布者都可在声誉区块链的帮助下，为他们的联合学习任务选择具有高声誉和高参数质量的可靠工作人员。
CN202011221699.6A 2020-11-05 2020-11-05 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 Active CN112348204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011221699.6A CN112348204B (zh) 2020-11-05 2020-11-05 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011221699.6A CN112348204B (zh) 2020-11-05 2020-11-05 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法

Publications (2)

Publication Number Publication Date
CN112348204A true CN112348204A (zh) 2021-02-09
CN112348204B CN112348204B (zh) 2022-09-16

Family

ID=74428770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011221699.6A Active CN112348204B (zh) 2020-11-05 2020-11-05 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法

Country Status (1)

Country Link
CN (1) CN112348204B (zh)

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112732470A (zh) * 2021-03-29 2021-04-30 南方电网数字电网研究院有限公司 电能量数据的联邦学习可靠性评估方法和装置
CN113033712A (zh) * 2021-05-21 2021-06-25 华中科技大学 一种基于联邦学习的多用户协同训练人流统计方法及系统
CN113033825A (zh) * 2021-04-21 2021-06-25 支付宝(杭州)信息技术有限公司 一种隐私保护的模型训练方法、系统及装置
CN113065866A (zh) * 2021-03-23 2021-07-02 北京邮电大学 基于区块链的物联网边缘计算系统及方法
CN113065143A (zh) * 2021-03-17 2021-07-02 四川大学 基于区块链的工业数据安全共享
CN113098806A (zh) * 2021-04-16 2021-07-09 华南理工大学 一种联邦学习下边端协同的信道适应性梯度压缩方法
CN113158241A (zh) * 2021-04-06 2021-07-23 深圳市洞见智慧科技有限公司 基于联邦学习的岗位推荐方法及装置
CN113191484A (zh) * 2021-04-25 2021-07-30 清华大学 基于深度强化学习的联邦学习客户端智能选取方法及系统
CN113204787A (zh) * 2021-05-06 2021-08-03 广州大学 基于区块链的联邦学习隐私保护方法、系统、设备和介质
CN113221470A (zh) * 2021-06-10 2021-08-06 南方电网科学研究院有限责任公司 一种用于电网边缘计算系统的联邦学习方法及其相关装置
CN113379066A (zh) * 2021-06-10 2021-09-10 重庆邮电大学 一种基于雾计算的联邦学习方法
CN113555126A (zh) * 2021-06-29 2021-10-26 福建师范大学 一种基于区块链和联邦学习的移动群智感知方法
CN113873047A (zh) * 2021-12-03 2021-12-31 江苏电力信息技术有限公司 一种面向流式数据的协作计算方法
CN113961969A (zh) * 2021-12-22 2022-01-21 北京金睛云华科技有限公司 一种安全威胁协同建模方法及系统
CN114070775A (zh) * 2021-10-15 2022-02-18 上海智能网联汽车技术中心有限公司 面向5g智能网联系统的区块链网络切片安全智能优化方法
CN114297722A (zh) * 2022-03-09 2022-04-08 广东工业大学 一种基于区块链的隐私保护异步联邦共享方法及系统
CN114301935A (zh) * 2021-12-10 2022-04-08 重庆邮电大学 一种基于声誉的物联网边云协同联邦学习节点选择方法
CN114491623A (zh) * 2021-12-30 2022-05-13 北京邮电大学 一种基于区块链的异步联邦学习方法及系统
WO2022116421A1 (zh) * 2020-12-04 2022-06-09 深圳先进技术研究院 一种联邦学习工人节点选择方法、系统、终端以及存储介质
CN114945022A (zh) * 2022-05-20 2022-08-26 重庆邮电大学 一种基于区块链的车联网边缘计算共享方法
CN115102763A (zh) * 2022-06-22 2022-09-23 北京交通大学 基于可信联邦学习多域DDoS攻击检测方法与装置
CN115296927A (zh) * 2022-09-28 2022-11-04 山东省计算中心（国家超级计算济南中心） 一种基于区块链的联邦学习可信融合激励方法及系统
CN115600219A (zh) * 2022-12-15 2023-01-13 湖南工商大学（Cn） 候选任务工作者声誉值的确定方法
CN115686778A (zh) * 2022-10-11 2023-02-03 暨南大学 一种基于区块链的去中心化群体机器人系统框架
CN115701071A (zh) * 2021-07-16 2023-02-07 中移物联网有限公司 模型训练方法、装置、电子设备及存储介质
CN116016610A (zh) * 2023-03-21 2023-04-25 杭州海康威视数字技术股份有限公司 基于区块链的车联网数据安全共享方法、装置及设备
CN116189874A (zh) * 2023-03-03 2023-05-30 海南大学 一种基于联邦学习和联盟链的远程医疗系统数据共享方法
CN116260655A (zh) * 2023-05-06 2023-06-13 杭州瀚陆信息技术有限公司 一种深海机器人数据传输方法和系统
CN117932521A (zh) * 2024-03-21 2024-04-26 国网江西省电力有限公司电力科学研究院 基于信用卡声誉更新机制的电力数据异常检测方法及系统
CN114491623B (zh) * 2021-12-30 2024-06-07 北京邮电大学 一种基于区块链的异步联邦学习方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125779A (zh) * 2019-12-17 2020-05-08 山东浪潮人工智能研究院有限公司 一种基于区块链的联邦学习方法及装置
CN111510502A (zh) * 2020-04-28 2020-08-07 吉林科创电力有限公司 一种基于动态信誉值的pbft共识传播优化方法
CN111698322A (zh) * 2020-06-11 2020-09-22 福州数据技术研究院有限公司 一种基于区块链和联邦学习的医疗数据安全共享方法
CN111754000A (zh) * 2020-06-24 2020-10-09 清华大学 质量感知的边缘智能联邦学习方法及系统
CN111860581A (zh) * 2020-06-11 2020-10-30 南京邮电大学 一种基于模型离散度的联邦学习训练方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125779A (zh) * 2019-12-17 2020-05-08 山东浪潮人工智能研究院有限公司 一种基于区块链的联邦学习方法及装置
CN111510502A (zh) * 2020-04-28 2020-08-07 吉林科创电力有限公司 一种基于动态信誉值的pbft共识传播优化方法
CN111698322A (zh) * 2020-06-11 2020-09-22 福州数据技术研究院有限公司 一种基于区块链和联邦学习的医疗数据安全共享方法
CN111860581A (zh) * 2020-06-11 2020-10-30 南京邮电大学 一种基于模型离散度的联邦学习训练方法
CN111754000A (zh) * 2020-06-24 2020-10-09 清华大学 质量感知的边缘智能联邦学习方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何雯等: "基于联邦学习的企业数据共享探讨", 《信息与电脑(理论版)》 *
方俊杰等: "面向边缘人工智能计算的区块链技术综述", 《应用科学学报》 *
董业等: "基于秘密分享和梯度选择的高效安全联邦学习", 《计算机研究与发展》 *

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022116421A1 (zh) * 2020-12-04 2022-06-09 深圳先进技术研究院 一种联邦学习工人节点选择方法、系统、终端以及存储介质
CN113065143A (zh) * 2021-03-17 2021-07-02 四川大学 基于区块链的工业数据安全共享
CN113065866B (zh) * 2021-03-23 2022-07-22 北京邮电大学 基于区块链的物联网边缘计算系统及方法
CN113065866A (zh) * 2021-03-23 2021-07-02 北京邮电大学 基于区块链的物联网边缘计算系统及方法
CN112732470A (zh) * 2021-03-29 2021-04-30 南方电网数字电网研究院有限公司 电能量数据的联邦学习可靠性评估方法和装置
CN113158241A (zh) * 2021-04-06 2021-07-23 深圳市洞见智慧科技有限公司 基于联邦学习的岗位推荐方法及装置
CN113098806B (zh) * 2021-04-16 2022-03-29 华南理工大学 一种联邦学习下边端协同的信道适应性梯度压缩方法
CN113098806A (zh) * 2021-04-16 2021-07-09 华南理工大学 一种联邦学习下边端协同的信道适应性梯度压缩方法
WO2022222795A1 (zh) * 2021-04-21 2022-10-27 支付宝(杭州)信息技术有限公司 用于隐私保护的模型的训练方法、系统及装置
CN113033825A (zh) * 2021-04-21 2021-06-25 支付宝(杭州)信息技术有限公司 一种隐私保护的模型训练方法、系统及装置
CN113033825B (zh) * 2021-04-21 2024-05-28 支付宝(杭州)信息技术有限公司 一种隐私保护的模型训练方法、系统及装置
CN113191484A (zh) * 2021-04-25 2021-07-30 清华大学 基于深度强化学习的联邦学习客户端智能选取方法及系统
CN113191484B (zh) * 2021-04-25 2022-10-14 清华大学 基于深度强化学习的联邦学习客户端智能选取方法及系统
CN113204787A (zh) * 2021-05-06 2021-08-03 广州大学 基于区块链的联邦学习隐私保护方法、系统、设备和介质
CN113204787B (zh) * 2021-05-06 2022-05-31 广州大学 基于区块链的联邦学习隐私保护方法、系统、设备和介质
CN113033712B (zh) * 2021-05-21 2021-09-14 华中科技大学 一种基于联邦学习的多用户协同训练人流统计方法及系统
CN113033712A (zh) * 2021-05-21 2021-06-25 华中科技大学 一种基于联邦学习的多用户协同训练人流统计方法及系统
CN113379066B (zh) * 2021-06-10 2022-07-08 重庆邮电大学 一种基于雾计算的联邦学习方法
CN113221470A (zh) * 2021-06-10 2021-08-06 南方电网科学研究院有限责任公司 一种用于电网边缘计算系统的联邦学习方法及其相关装置
CN113379066A (zh) * 2021-06-10 2021-09-10 重庆邮电大学 一种基于雾计算的联邦学习方法
CN113555126A (zh) * 2021-06-29 2021-10-26 福建师范大学 一种基于区块链和联邦学习的移动群智感知方法
CN115701071A (zh) * 2021-07-16 2023-02-07 中移物联网有限公司 模型训练方法、装置、电子设备及存储介质
CN114070775B (zh) * 2021-10-15 2023-07-07 上海智能网联汽车技术中心有限公司 面向5g智能网联系统的区块链网络切片安全智能优化方法
CN114070775A (zh) * 2021-10-15 2022-02-18 上海智能网联汽车技术中心有限公司 面向5g智能网联系统的区块链网络切片安全智能优化方法
CN113873047A (zh) * 2021-12-03 2021-12-31 江苏电力信息技术有限公司 一种面向流式数据的协作计算方法
CN113873047B (zh) * 2021-12-03 2022-02-15 江苏电力信息技术有限公司 一种面向流式数据的协作计算方法
CN114301935B (zh) * 2021-12-10 2023-11-17 大庆市凯德信信息技术有限公司 一种基于声誉的物联网边云协同联邦学习节点选择方法
CN114301935A (zh) * 2021-12-10 2022-04-08 重庆邮电大学 一种基于声誉的物联网边云协同联邦学习节点选择方法
CN113961969A (zh) * 2021-12-22 2022-01-21 北京金睛云华科技有限公司 一种安全威胁协同建模方法及系统
CN113961969B (zh) * 2021-12-22 2022-03-15 北京金睛云华科技有限公司 一种安全威胁协同建模方法及系统
CN114491623B (zh) * 2021-12-30 2024-06-07 北京邮电大学 一种基于区块链的异步联邦学习方法及系统
CN114491623A (zh) * 2021-12-30 2022-05-13 北京邮电大学 一种基于区块链的异步联邦学习方法及系统
CN114297722A (zh) * 2022-03-09 2022-04-08 广东工业大学 一种基于区块链的隐私保护异步联邦共享方法及系统
CN114945022B (zh) * 2022-05-20 2023-05-23 重庆邮电大学 一种基于区块链的车联网边缘计算共享方法
CN114945022A (zh) * 2022-05-20 2022-08-26 重庆邮电大学 一种基于区块链的车联网边缘计算共享方法
CN115102763A (zh) * 2022-06-22 2022-09-23 北京交通大学 基于可信联邦学习多域DDoS攻击检测方法与装置
CN115296927A (zh) * 2022-09-28 2022-11-04 山东省计算中心（国家超级计算济南中心） 一种基于区块链的联邦学习可信融合激励方法及系统
CN115686778B (zh) * 2022-10-11 2023-06-02 暨南大学 一种基于区块链的去中心化群体机器人系统框架
CN115686778A (zh) * 2022-10-11 2023-02-03 暨南大学 一种基于区块链的去中心化群体机器人系统框架
CN115600219B (zh) * 2022-12-15 2023-03-14 湖南工商大学 候选任务工作者声誉值的确定方法
CN115600219A (zh) * 2022-12-15 2023-01-13 湖南工商大学（Cn） 候选任务工作者声誉值的确定方法
CN116189874A (zh) * 2023-03-03 2023-05-30 海南大学 一种基于联邦学习和联盟链的远程医疗系统数据共享方法
CN116189874B (zh) * 2023-03-03 2023-11-28 海南大学 一种基于联邦学习和联盟链的远程医疗系统数据共享方法
CN116016610A (zh) * 2023-03-21 2023-04-25 杭州海康威视数字技术股份有限公司 基于区块链的车联网数据安全共享方法、装置及设备
CN116016610B (zh) * 2023-03-21 2024-01-09 杭州海康威视数字技术股份有限公司 基于区块链的车联网数据安全共享方法、装置及设备
CN116260655A (zh) * 2023-05-06 2023-06-13 杭州瀚陆信息技术有限公司 一种深海机器人数据传输方法和系统
CN117932521A (zh) * 2024-03-21 2024-04-26 国网江西省电力有限公司电力科学研究院 基于信用卡声誉更新机制的电力数据异常检测方法及系统

Also Published As

Publication number Publication date
CN112348204B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN112348204B (zh) 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法
Chai et al. A hierarchical blockchain-enabled federated learning algorithm for knowledge sharing in internet of vehicles
Leng et al. Blockchain security: A survey of techniques and research directions
CN110008720B (zh) 基于联盟链的物联网动态数据溯源方法及装置
Chai et al. Proof-of-reputation based-consortium blockchain for trust resource sharing in internet of vehicles
CN108055119B (zh) 一种群智感知应用中基于区块链的安全激励方法和系统
CN113794675B (zh) 基于区块链和联邦学习的分布式物联网入侵检测方法及系统
Chen et al. A survey on blockchain systems: Attacks, defenses, and privacy preservation
CN112434280A (zh) 一种基于区块链的联邦学习防御方法
Haddaji et al. Federated learning with blockchain approach for trust management in IoV
CN115378988A (zh) 基于知识图谱的数据访问异常检测及控制方法、装置
CN114301935A (zh) 一种基于声誉的物联网边云协同联邦学习节点选择方法
Ranathunga et al. Blockchain-based decentralized model aggregation for cross-silo federated learning in industry 4.0
CN110874638B (zh) 面向行为分析的元知识联邦方法、装置、电子设备及系统
CN115563859A (zh) 一种基于分层联邦学习的电力负荷预测方法、装置及介质
CN114048515B (zh) 一种基于联邦学习和区块链的医疗大数据共享方法
Wang et al. Blockchain-based federated learning in mobile edge networks with application in internet of vehicles
Zhang et al. A hybrid trust evaluation framework for e-commerce in online social network: a factor enrichment perspective
CN113886817A (zh) 主机入侵检测方法及装置、电子设备、存储介质
Putra et al. Decentralised trustworthy collaborative intrusion detection system for IoT
CN117171786A (zh) 一种抵御投毒攻击的去中心化联邦学习方法
Jiao et al. A blockchain federated learning scheme based on personalized differential privacy and reputation mechanisms
CN116628360A (zh) 一种基于差分隐私的社交网络直方图发布方法及装置
Vadi et al. Enhanced Elman spike neural network fostered blockchain framework espoused intrusion detection for securing Internet of Things network
Tian et al. MSLShard: An efficient sharding-based trust management framework for blockchain-empowered IoT access control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant