CN113591148A - 基于区块链的食品安全上链数据可信性度量方法 - Google Patents
基于区块链的食品安全上链数据可信性度量方法 Download PDFInfo
- Publication number
- CN113591148A CN113591148A CN202110876616.5A CN202110876616A CN113591148A CN 113591148 A CN113591148 A CN 113591148A CN 202110876616 A CN202110876616 A CN 202110876616A CN 113591148 A CN113591148 A CN 113591148A
- Authority
- CN
- China
- Prior art keywords
- data
- chain
- credibility
- measurement model
- credit
- 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
Links
Images
Classifications
-
- 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
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及食品溯源技术领域,且公开了基于区块链的食品安全上链数据可信性度量方法,包括建立链上成员信用度量模型,链上成员信用度量模型由链上成员初始信用度、上链数据共识度和第三方质检机构根据企业信息综合评价得到;建立链上数据质量度量模型,链上数据质量度量模型由数据质量属性度量模型构成;建立上链数据可信性度量模型,上链数据可信性度量模型由链上成员信用度量模型和链上数据质量度量模型用证据理论构建组成。该基于区块链的食品安全上链数据可信性度量方法,可以构建基于区块链的、动态的、层次化的食品安全上链数据可信性模型,使用户直接了解到当前数据状态,为后续的数据应用和分析提供可信性参考。
Description
技术领域
本发明涉及食品溯源技术领域,具体为基于区块链的食品安全上链数据可信性度量方法。
背景技术
民以食为天,食以安为先,食品质量安全关系到国计民生,一直是社会民众关注的热点问题。近年来,食品安全问题频发,严重威胁了人们的身体健康和生命安全,食品质量安全追溯也日益得到重视,溯源系统主要采用中心化的方式,将相关数据信息存储到中心化服务器中,然而很难保证上链数据信息真实有效,最终形成所谓的信息孤岛,此外,在信息技术时代,可供人们使用的数据源和数据量爆炸性的增长,数据的类型、获取途径和衍生路径表现出多样化、复杂化的特性,这些都给食品安全溯源带来一定程度的困难。
目前,区块链溯源项目虽多,但基本都处于探索区块链溯源阶段,所提供的区块链溯源系统无法提供验证信息真伪的途径,普通公众只能依赖于第三方质检机构提供的信息或者基于企业的口碑来进行信息真伪的判断,用户无法直接了解食品安全的数据状态。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于区块链的食品安全上链数据可信性度量方法,能够构建基于区块链的、动态的、层次化的食品安全上链数据可信性模型,使用户直接了解到当前数据状态,为后续的数据应用和分析提供可信性参考等优点,解决了传统的区块链溯源系统无法提供验证信息真伪的途径,普通公众只能依赖于第三方质检机构提供的信息或者基于企业的口碑来进行信息真伪的判断,用户无法直接了解食品安全数据状态的问题。
(二)技术方案
为实现上述的目的,本发明提供如下技术方案:基于区块链的食品安全上链数据可信性度量方法,包括以下步骤:
步骤一、建立链上成员信用度量模型,链上成员信用度量模型由链上成员初始信用度、上链数据共识度和第三方质检机构根据企业信息综合评价得到;
步骤二、建立链上数据质量度量模型,链上数据质量度量模型由数据质量属性度量模型构成;
步骤三、建立上链数据可信性度量模型,上链数据可信性度量模型由链上成员信用度量模型和链上数据质量度量模型用证据理论构建组成。
优选的,上链数据可信性度量模型在初始时刻,由第三方质检机构根据企业信息综合评价得到动态变化的链上成员信用度量模型的初始信用度,根据数据质量属性度量模型的评价标准,保证上链数据的品质,基于链上成员信用度量模型和数据质量属性度量模型,用证据理论构建出上链数据可信性模型。
优选的,链上成员信用度量模型由链上成员初始信用度和上传数据共识度组成,链上成员初始信用度的符号记作T(B,t),表示在t时刻时,链上成员B的综合信用度,链上成员信用度的公式,如式(1)所示:
T(B,t)=λ·InitT(B,t)+ξ·ConsenT(Data,t) (1)
其中,λ+ξ=1,且1>λ>0,1>ξ>0,λ、ξ均为权重系数;
链上成员初始信用度由第三方质检机构根据相关评判标准综合评价提供的可信度平均值,其符号记作InitTA(B,t),表示在t时刻时,第三方质检机构集合A评价链上成员B的信用度,链上成员初始信用度的公式,如式(2)所示:
InitT(B,t)=ThirdTA(B,t) (2)
第三方质检机构评分代表该链上成员在相关领域的信用值的平均值,把组织基础信用、组织社会信用、组织财务能力、组织管理服务四个指标作为评判标准,由第三方质检机构依据评判标准进行具体打分,第三方质检机构评分的符号记作ThirdTA(B,t),表示在t时刻时,第三方质检机构A对链上成员B评价的信用度的平均值,第三方质检机构评估可信度的计算公式,如式(3)所示:
上链数据共识度是在共识网络中用相同的参数和操作,其执行结果也相同的共识节点的数量,上链数据共识度的符号记作ConsenT(Data,t),表示在t时刻,上传数据Data的共识度,上链数据共识度的计算公式如式(4)所示,上链数据共识度的可信度恢复公式如式(5)所示:
优选的,链上数据质量度量模型将数据质量属性划分为关键属性和非关键属性,关键属性是从与数据质量相关定义中所涉及属性中抽取得到,包括准确性、完整性、可访问性和及时性,非关键属性依据具体应用场景给出,包括可信性、相关性和可读性。
优选的,上链数据可信性度量模型由D-S证据理论综合多个数据源的证据构建,(D-S)证据理论引入分配置信度和合理度至可能的测量假设,并且用规定的融合规则去融合多个数据源的证据。
优选的,采用D-S证据理论综合多个数据源的证据构建上链数据可信性度量模型的公式,如式(6)、(7)、(8)、(9)所示:
其中m1和m2为两个信息源的置信度质量函数,m1,2为联合置信度函数,m1(E)、m2(C)是两个概率分配函数,m1(E)概率分配规则按照{T(B,t),1-T(B,t)-0.1,0.1,0},m2(C)概率分配规则按照{T1,1-T1-0.1,0.1,0},即证据中的未知部分设定为0.1,A表示对上链数据的精确信任程度;
K的计算方法如式(9)所示:
其中,K表示两个信息源m1和m2之间直接的冲突量。
(三)有益效果
与现有技术相比,本发明提供了基于区块链的食品安全上链数据可信性度量方法,具备以下有益效果如下:
对给定的每一层次的所有可信特征进行计算时,分别获得该层次的可信度值分配,然后基于获得的各分层次可信度值计算总的可信度值,实施定量评估,通过受限于属性评估所特有的主观性、应用背景等因素,建立统一的属性可信性评估范围H∈[0,1],对于每一个属性,由式(C)-(M)得到上链数据的可信度,即表示该数据的数据质量模型,第三方质检机构评估可信度由第三方质检机构集合中所有成员评估的平均值得到,即式(3),最后,用式(2)计算得到链上成员初始信用度,利用式(4)-(5)计算得到上链数据共识度,利用式(1)计算得到链上成员信用度,利用D-S合成规则式(6)-(9),对链上成员信用度度量函数式和数据质量度量函数式计算得到的值进行推理合成,最终得到上链数据可信性的定量评估结果。
附图说明
图1为本发明提出的基于区块链的食品安全上链数据可信性度量方法的框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
参照图1,基于区块链的食品安全上链数据可信性度量方法,包括以下步骤:
步骤一、建立链上成员信用度量模型,链上成员信用度量模型由链上成员初始信用度、上链数据共识度和第三方质检机构根据企业信息综合评价得到,链上成员信用度量模型由链上成员初始信用度和上传数据共识度组成,链上成员初始信用度的符号记作T(B,t),表示在t时刻时,链上成员B的综合信用度,链上成员信用度的公式,如式(1)所示:
T(B,t)=λ·InitT(B,t)+ξ·ConsenT(Data,t) (1)
其中,λ+ξ=1,且1>λ>0,1>ξ>0,λ、ξ均为权重系数;
链上成员初始信用度由第三方质检机构根据相关评判标准综合评价提供的可信度平均值,其符号记作InitTA(B,t),表示在t时刻时,第三方质检机构集合A评价链上成员B的信用度,链上成员初始信用度的公式,如式(2)所示:
InitT(B,t)=ThirdTA(B,t) (2)
第三方质检机构的评分代表该链上成员在相关领域的信用值的平均值,把组织基础信用、组织社会信用、组织财务能力、组织管理服务四个指标作为评判标准,由第三方质检机构依据评判标准进行具体打分,其符号记作ThirdTA(B,t),表示在t时刻时,第三方质检机构A对链上成员B评价的信用度的平均值,第三方质检机构评估可信度的计算公式,如式(3)所示:
上链数据共识度是在共识网络中用相同的参数和操作,其执行结果也相同的共识节点的数量,上链数据共识度的符号记作ConsenT(Data,t),表示在t时刻,上传数据Data的共识度,上链数据共识度的计算公式如式(4)所示,上链数据共识度的可信度恢复公式如式(5)所示:
上链数据共识度的计算公式(4)和可信度恢复公式(5)的计算过程如下:
(1)初始值设定为第三方质检机构计算得到的可信值;
(2)σT(t)表示在t时刻时因数据不一致而使用的惩罚系数,ΔContext(N,B,t)≠0,表示对同一数据,链上成员N的数据哈希与成员B的数据哈希不一致,即或发生篡改导致上链数据的IPFS根哈希值不同,反之没发生篡改,具体如公式(A)所示:
(3)T表示一段时间间隔,计量单位可以是小时、天、月等等,由用户根据实际情况自己设定:
(4)μT(t)表示在t时刻的时间衰减系数,如果链上成员B在t时刻与t-Δt时刻的数据没有更新,则就对它加以时间衰减惩罚,如式(B)所示:
0≤μT(t)≤1 (B)
(5)θT(t)标识在t时刻的可信度恢复系数,链上成员B在t-Δt时刻与t时刻之间成功参与共识过程达成指定次数,则用式(5)逐渐恢复其可信度。
步骤二、建立链上数据质量度量模型,链上数据质量度量模型由数据质量属性度量模型构成,链上数据质量度量模型将数据质量属性划分为关键属性和非关键属性,关键属性是从与数据质量相关定义中所涉及属性中抽取得到,包括准确性、完整性、可访问性和及时性,非关键属性依据具体应用场景给出,包括可信性、相关性和可读性,假定,有k个数据源组成一个数据源集合,其形式化为S={S1,S2,…Sk},k∈N+,表示分别来自于不同的k个可信区块链节点。E1,E2,…Em为S中的某个数据源中的m条记录,组成数据集合D={E1,E2,…Em},m∈N+,每条数据记录共有n个属性,表示为Ei={Ti1,Ti2,…,Tin},n∈N+,其中,Tij表示某条记录Ei的第j个属性的取值,其中,R表示权威性的参考数据源R∈{R11,R12,...,Rmn,},Rij表示记录Ei在属性j上的正确值或期望值,各种属性的具体定义及其量化方法如下;
准确性:用符号y1表示,指上链数据的各个属性值描述的准确程度,食品相关的时间戳必须与共识网络中本地服务器的时间一致且准确,设F(.)是评估对象Tij的取值结果到(0,1)的映射,结果正确时,则取值为1,反之为0,如式(C)、(D)、(E)所示:
则D在属性j上的准确性为:
D在全部属性上的准确性为:
完整性:用符号y2表示,表示对任意一条记录的任意一个属性的进行描述的完备程度,设F1(.)是评估对象Tij的取值结果到(0,1)的映射,若结果正确,则取值为1,反之为0,如式(F)、(G)所示:
可访问性:用符号y3表示,上链的数据是公开的,允许授权用户方便的获取和使用,该属性与数据公开密切相关,数据的可访问性程度越高,表示数据越易获得,那么链上数据被篡改的机率就越低,其中,s表示总的节点数,a表示失去连接的节点数,如式(H)所示:
y3=(s-a)/s (H)
可信性:用符号y4表示,主要评估非数值型的数据,在数据没有发生任何的修改时,存储在不同节点的数据的IPFS的哈希值是相同的,设F2(.)是评估对象S1的取值结果到(0,1)的映射,结果正确时,取值为1,反之为0,如式(I)、(J)所示:
可读性:用符号y5表示,指上链的数据以良好的术语、属性、单位、代码或者缩写等方式进行规范表示,方便人们理解和正确解释,假定,K表示含有注释性信息的记录数量,N表示全部的记录,如式(K)所示:
y5=K/N (K)
因此,数据质量度量模型是基于公理化方法面向多维数据属性,假定共有m+s种属性,对应的可信性度量值依次为y1,…,ym,ym+1,…,ym+s,此时设前m种为关键属性,后s种为非关键属性,所有关键属性组成的集合在所有属性中所占权重为α,所有非关键属性组成的集合在所有属性中所占权重为β,α和β的满足条件如式(L)所示:
设T1为关于可信属性值和权重用来计算上链数据质量的函数,如式(M)所示:
步骤三、建立上链数据可信性度量模型,上链数据可信性度量模型由链上成员信用度量模型和链上数据质量度量模型用证据理论构建组成,在初始时刻,由第三方质检机构根据企业信息综合评价得到动态变化的链上成员信用度量模型的初始信用度,根据数据质量属性度量模型的评价标准,保证上链数据的品质,基于链上成员信用度量模型和数据质量属性度量模型,用证据理论构建出上链数据可信性模型,多个机构或组织参与的区块链共同构成联盟链,联盟链中的所有节点共同形成共识网络,随着共识网络规模的增加,其中的共识节点的可信度逐渐趋于稳定,某个数据源提供的数据不可信时,则很快对该链上成员赋以惩罚系数,使其在一段时间内的可信度降低,当该链上成员提供可靠的数据,即成功参与共识过程,则其可信度会逐渐恢复,在共识网络中,如果某个共识节点,超过一定时间时,仍然没有数据或可信度更新,意味着该节点放弃使用,则对该节点实施时间衰减系数,降低其可信度,上链数据可信性度量模型由D-S证据理论综合多个数据源的证据构建,(D-S)证据理论引入分配置信度和合理度至可能的测量假设,并且用规定的融合规则去融合多个数据源的证据,采用D-S证据理论综合多个数据源的证据构建上链数据可信性度量模型的公式,如式(6)、(7)、(8)、(9)所示:
其中m1和m2为两个信息源的置信度质量函数,m1,2为联合置信度函数,m1(E)、m2(C)是两个概率分配函数,m1(E)概率分配规则按照{T(B,t),1-T(B,t)-0.1,0.1,0},m2(C)概率分配规则按照{T1,1-T1-0.1,0.1,0},即证据中的未知部分设定为0.1,A表示对上链数据的精确信任程度;
K的计算方法如式(9)所示:
其中,K表示两个信息源m1和m2之间直接的冲突量。
本发明对相关的度量值进行预处理后,便可对不同层次的数据可信特征进行融合,首先,对给定的每一层次的所有可信特征进行计算,分别获得该层次的可信度值分配,然后基于获得的各分层次可信度值计算总的可信度值,实施定量评估,通过受限于属性评估所特有的主观性、应用背景等因素,建立统一的属性可信性评估范围H∈[0,1],对于每一个属性,由式(C)-(M)得到上链数据的可信度,即表示该数据的数据质量模型,第三方质检机构评估可信度由第三方质检机构集合中所有成员评估的平均值得到,即式(3),最后,用式(2)计算得到链上成员初始信用度,利用式(4)-(5)计算得到上链数据共识度,利用式(1)计算得到链上成员信用度,利用D-S合成规则式(6)-(9),对链上成员信用度度量函数式和数据质量度量函数式计算得到的值进行推理合成,最终得到上链数据可信性的定量评估结果。
实验例;
在仿真数据环境下采用一组数据得到的结果检验模型,其中,表1显示了数据质量模型中的各属性及其权重分配,表2显示了实验中使用的参数的默认值,参数的确定是在实验过程中不断地调试而选定的,具有一定的经验性和主观性,表3显示了部分经过D-S后的且有代表性的上链数据可信性评估结果。
表1数据质量各属性及其权重分布
属性 | 准确性 | 完整性 | 可访问性 | 可信性 | 可读性 |
权重 | 0.350 | 0.100 | 0.130 | 0.338 | 0.082 |
表2仿真实验中参数默认值
表3 D-S后的上链数据可信性评估结果
观察上表中的评估结果,所列的评估结果在一定程度上符合实际情况,展示了上链数据可信性模型的实用性和有效性,能够反映出数据之间存在的相对差异,当其中一方偏高,另一方偏低(因篡改数据内容或数据久不更新或数据质量差)时,经过D-S计算后的上链数据可信性在中间值范围,只有链上成员信用度和链上数据质量的评估值都普遍较高时,上链数据可信性的值才会很高,反之则偏低,因此,在实际应用中,设置合理的阈值,能确保数据评估结果的可信性。
需要说明的是,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于区块链的食品安全上链数据可信性度量方法,其特征在于,包括以下步骤:
步骤一、建立链上成员信用度量模型,链上成员信用度量模型由链上成员初始信用度、上链数据共识度和第三方质检机构根据企业信息综合评价得到;
步骤二、建立链上数据质量度量模型,链上数据质量度量模型由数据质量属性度量模型构成;
步骤三、建立上链数据可信性度量模型,上链数据可信性度量模型由链上成员信用度量模型和链上数据质量度量模型用证据理论构建组成。
2.根据权利要求1所述的基于区块链的食品安全上链数据可信性度量方法,其特征在于:上链数据可信性度量模型在初始时刻,由第三方质检机构根据企业信息综合评价得到动态变化的链上成员信用度量模型的初始信用度,根据数据质量属性度量模型的评价标准,保证上链数据的品质,基于链上成员信用度量模型和数据质量属性度量模型,用证据理论构建出上链数据可信性模型。
3.根据权利要求1或2所述的基于区块链的食品安全上链数据可信性度量方法,其特征在于:链上成员信用度量模型由链上成员初始信用度和上传数据共识度组成,链上成员初始信用度的符号记作T(B,t),表示在t时刻时,链上成员B的综合信用度,链上成员信用度的公式,如式(1)所示:
T(B,t)=λ·InitT(B,t)+ξ·ConsenT(Data,t) (1)
其中,λ+ξ=1,且1>λ>0,1>ξ>0,λ、ξ均为权重系数;
链上成员初始信用度由第三方质检机构根据相关评判标准综合评价提供的可信度平均值,其符号记作InitTA(B,t),表示在t时刻时,第三方质检机构集合A评价链上成员B的信用度,链上成员初始信用度的公式,如式(2)所示:
InitT(B,t)=ThirdTA(B,t) (2)
第三方质检机构的评分代表该链上成员在相关领域的信用值的平均值,把组织基础信用、组织社会信用、组织财务能力、组织管理服务四个指标作为评判标准,由第三方质检机构依据评判标准进行具体打分,其符号记作ThirdTA(B,t),表示在t时刻时,第三方质检机构A对链上成员B评价的信用度的平均值,第三方质检机构评估可信度的计算公式,如式(3)所示:
上链数据共识度是在共识网络中用相同的参数和操作,其执行结果也相同的共识节点的数量,上链数据共识度的符号记作ConsenT(Data,t),表示在t时刻,上传数据Data的共识度,上链数据共识度的计算公式如式(4)所示,上链数据共识度的可信度恢复公式如式(5)所示:
4.根据权利要求1所述的基于区块链的食品安全上链数据可信性度量方法,其特征在于:链上数据质量度量模型将数据质量属性划分为关键属性和非关键属性,关键属性是从与数据质量相关定义中所涉及属性中抽取得到,包括准确性、完整性、可访问性和及时性,非关键属性依据具体应用场景给出,包括可信性、相关性和可读性。
5.根据权利要求1所述的基于区块链的食品安全上链数据可信性度量方法,其特征在于:上链数据可信性度量模型由D-S证据理论综合多个数据源的证据构建,(D-S)证据理论引入分配置信度和合理度至可能的测量假设,并且用规定的融合规则去融合多个数据源的证据。
6.根据权利要求5所述的基于区块链的食品安全上链数据可信性度量方法,其特征在于:采用D-S证据理论综合多个数据源的证据构建上链数据可信性度量模型的公式,如式(6)、(7)、(8)、(9)所示:
其中m1和m2为两个信息源的置信度质量函数,m1,2为联合置信度函数,m1(E)、m2(C)是两个概率分配函数,m1(E)概率分配规则按照{T(B,t),1-T(B,t)-0.1,0.1,0},m2(C)概率分配规则按照{T1,1-T1-0.1,0.1,0},即证据中的未知部分设定为0.1,A表示对上链数据的精确信任程度;
K的计算方法如式(9)所示:
其中,K表示两个信息源m1和m2之间直接的冲突量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110876616.5A CN113591148B (zh) | 2021-07-31 | 2021-07-31 | 基于区块链的食品安全上链数据可信性度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110876616.5A CN113591148B (zh) | 2021-07-31 | 2021-07-31 | 基于区块链的食品安全上链数据可信性度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591148A true CN113591148A (zh) | 2021-11-02 |
CN113591148B CN113591148B (zh) | 2023-09-01 |
Family
ID=78253503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110876616.5A Active CN113591148B (zh) | 2021-07-31 | 2021-07-31 | 基于区块链的食品安全上链数据可信性度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591148B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936918A (zh) * | 2022-05-20 | 2022-08-23 | 天道金科股份有限公司 | 基于区块链的风控数据跟踪方法、终端设备及存储介质 |
CN115081964A (zh) * | 2022-08-20 | 2022-09-20 | 信通院(江西)科技创新研究院有限公司 | 基于区块链智能合约的appid信用管理方法和系统 |
CN118520944A (zh) * | 2024-07-25 | 2024-08-20 | 杭州电子科技大学 | 一种基于大语言模型的知识图谱三元组可信性验证方法 |
CN118520944B (zh) * | 2024-07-25 | 2024-10-18 | 杭州电子科技大学 | 一种基于大语言模型的知识图谱三元组可信性验证方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105843829A (zh) * | 2015-09-30 | 2016-08-10 | 华北电力大学(保定) | 一种基于分层模型的大数据可信性度量方法 |
CN108629602A (zh) * | 2018-05-04 | 2018-10-09 | 武汉大学 | 一种基于区块链技术的食品质量安全管理系统与方法 |
KR20200044363A (ko) * | 2018-10-19 | 2020-04-29 | 빅픽처랩 주식회사 | 블록체인 기반 신뢰도 정보 관리방법 |
-
2021
- 2021-07-31 CN CN202110876616.5A patent/CN113591148B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105843829A (zh) * | 2015-09-30 | 2016-08-10 | 华北电力大学(保定) | 一种基于分层模型的大数据可信性度量方法 |
CN108629602A (zh) * | 2018-05-04 | 2018-10-09 | 武汉大学 | 一种基于区块链技术的食品质量安全管理系统与方法 |
KR20200044363A (ko) * | 2018-10-19 | 2020-04-29 | 빅픽처랩 주식회사 | 블록체인 기반 신뢰도 정보 관리방법 |
Non-Patent Citations (1)
Title |
---|
周秀秀: "《基于区块链的食品信息溯源研究》", 工程科技Ⅰ辑, no. 02 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936918A (zh) * | 2022-05-20 | 2022-08-23 | 天道金科股份有限公司 | 基于区块链的风控数据跟踪方法、终端设备及存储介质 |
CN114936918B (zh) * | 2022-05-20 | 2024-03-29 | 天道金科股份有限公司 | 基于区块链的风控数据跟踪方法、终端设备及存储介质 |
CN115081964A (zh) * | 2022-08-20 | 2022-09-20 | 信通院(江西)科技创新研究院有限公司 | 基于区块链智能合约的appid信用管理方法和系统 |
CN118520944A (zh) * | 2024-07-25 | 2024-08-20 | 杭州电子科技大学 | 一种基于大语言模型的知识图谱三元组可信性验证方法 |
CN118520944B (zh) * | 2024-07-25 | 2024-10-18 | 杭州电子科技大学 | 一种基于大语言模型的知识图谱三元组可信性验证方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113591148B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | How to design rating schemes of risk matrices: a sequential updating approach | |
Redman | Measuring data accuracy: A framework and review | |
Chang et al. | Comparative analysis of trip generation models: results using home-based work trips in the Seoul metropolitan area | |
Templ et al. | Introduction to statistical disclosure control (sdc) | |
CN108764707A (zh) | 一种数据评估系统以及方法 | |
Pantuso et al. | Development of network-level pavement deterioration curves using the linear empirical Bayes approach | |
CN113591148A (zh) | 基于区块链的食品安全上链数据可信性度量方法 | |
US11900457B2 (en) | Methods for prediction and rating aggregation | |
Shrader-Frechette | Reductionist approaches to risk | |
Lieberman et al. | Accounting for climate change: uncertainty in greenhouse gas inventories-verification, compliance, and trading | |
Vasconcelos et al. | Exploring multicriteria elicitation model based on pairwise comparisons: building an interactive preference adjustment algorithm | |
Bidah et al. | Mathematical Modeling of Public Opinions: Parameter Estimation, Sensitivity Analysis, and Model Uncertainty Using an Agree‐Disagree Opinion Model | |
Undorf et al. | How do value-judgements enter model-based assessments of climate sensitivity? | |
Jakšić et al. | Fuzzy approach in ranking of banks according to financial performances | |
Greene et al. | Misreporting and econometric modelling of zeros in survey data on social bads: An application to cannabis consumption | |
Franceschini et al. | Aggregation of incomplete preference rankings: Robustness analysis of the ZM II‐technique | |
Lee et al. | An entropy decision model for selection of enterprise resource planning system | |
Oladipupo et al. | A Decision‐Making Approach for Ranking Tertiary Institutions’ Service Quality Using Fuzzy MCDM and Extended HiEdQUAL Model | |
Aliffiani et al. | Taxpayers’ perception of e-filing system in increasing behavior of annual reporting of tax return (Indonesian evidence) | |
Bradley et al. | The philosophy of climate science | |
Lei | [Retracted] Association Rule Mining Algorithm in College Students’ Quality Evaluation System | |
Hathout et al. | Development of an approach to evaluate the failure probabilities of river levees based on expert judgement: Application to a case study | |
CN113379211B (zh) | 基于区块链的物流信息平台违约风险管控系统及方法 | |
Makropoulos et al. | A neurofuzzy spatial decision support system for pipe replacement prioritisation | |
Economou et al. | Evaluation of the OECD’s prediction algorithm for the annual GDP growth rate |
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 |