CN113806800B - 一种提高通信效率和合理分配奖励的隐私保护方法及系统 - Google Patents
一种提高通信效率和合理分配奖励的隐私保护方法及系统 Download PDFInfo
- Publication number
- CN113806800B CN113806800B CN202111076101.3A CN202111076101A CN113806800B CN 113806800 B CN113806800 B CN 113806800B CN 202111076101 A CN202111076101 A CN 202111076101A CN 113806800 B CN113806800 B CN 113806800B
- Authority
- CN
- China
- Prior art keywords
- training
- client
- gradient
- data
- model
- 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.)
- Active
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
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Finance (AREA)
- Computer Hardware Design (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及隐私保护技术领域,涉及一种提高通信效率和合理分配奖励的隐私保护方法及系统,方法包括:一、在主链上进行训练任务的发布,同时客户端选择需要加入的模型训练;二、任务发起者发布相关配置建立安全训练的侧链;三、训练任务开始时,进行本地训练得到梯度结果之后,将梯度结果的正负值矩阵提取出来,进行对比,进行贡献度的计算和积累,使用同态加密密钥对梯度结果进行加密;四、对梯度结果进行同态聚合运算,进行模型更新;五、将更新后的模型发送至侧链上,迭代训练直至获取目标模型;六、对各个客户端每次通过智能合约设定阈值积累的奖励值进行统计和分发。本发明的通信效率高,分配奖励合理。
Description
技术领域
本发明涉及隐私保护技术领域,具体地说,涉及一种提高通信效率和合理分配奖励的隐私保护方法及系统。
背景技术
目前,为了解决联邦学习梯度结果的可靠性和真实性方面的问题,大多数工作依靠审计方式和奖惩制度来维护系统有序的工作。仅依靠审计方式判断客户端的数据和训练得到梯度结果是否靠,不能够合理的判断出每次训练的梯度结果是否符合训练发起者的全局模型训练方向,如果在联邦学习过程中出现与模型训练方向偏差很大的梯度数据,在一定程度上会减缓收敛速度,影响系统的稳定和奖励的合理分配。
发明内容
本发明的内容是提供一种提高通信效率和合理分配奖励的隐私保护方法及系统,其能够克服现有技术的某种或某些缺陷。
根据本发明的一种提高通信效率和合理分配奖励的隐私保护方法,其包括以下步骤:
一、在主链上进行训练任务的发布,帮助训练发起者找到参与训练的客户端,同时客户端可以根据发布在主链上的训练任务描述选择需要加入的模型训练;
二、等待客户端达到一定数量之后,根据客户端的信息,任务发起者发布相关配置建立安全训练的侧链,侧链将分别在开始和结束锚定在主链上;
三、训练任务开始时,工作节点将初始化模型下载至本地,进行本地训练得到梯度结果之后,将梯度结果的正负值矩阵提取出来,利用部署在各个客户端的智能合约与全局模型的梯度方向进行对比,达到设定阈值标准的客户端梯度结果将被允许上传到区块链中并在侧链上进行贡献度的计算和积累,在客户端进行梯度结果上传之前,使用同态加密密钥对梯度结果进行加密;
四、当一定数量的梯度结果上传到区块链上后,训练发布者将下载梯度结果至本地,侧链将对训练发布方获得的梯度结果进行安全的同态聚合运算,训练发布方获得聚合的结果后进行模型更新;
五、在模型更新后,任务发布者将更新后的模型发送至侧链上,此后依照上述方式进行模型的迭代训练直至获取目标模型;
六、在获取目标模型后,侧链将自动调用主链进行结束锚定,标识本次训练结束,然后对各个客户端每次通过智能合约设定阈值积累的奖励值进行统计和分发。
作为优选,训练过程中,客户端节点每次提交密文梯度时,同时会提交本轮训练数据的RSA累加值,用以后续验证训练数据的有效性。
作为优选,步骤一中,在创世区块上进行任务相关数据的上传,加入训练中的客户端可以下载训练任务数据进行本地数据的训练。
作为优选,在训练中,通过审计的方式对每个参与训练的客户端数据进行审核。
作为优选,审核采用抽样的方式对客户端的数据和梯度结果进行审核,通过零知识证明方法验证数据样本是否存在聚合结果中。
本发明提供了一种提高通信效率和合理分配奖励的隐私保护系统,其采用上述的一种提高通信效率和合理分配奖励的隐私保护方法,并包括:
模型安全训练框架,用于任务的安全多方训练和梯度结果的筛选以及奖励值的统计;
数据审核框架,用于通过审计的方式对每个参与训练的客户端数据进行审核;
奖励分发框架,用于通过智能合约进行奖励的分发。
本发明的有益效果如下:
A、网络资源的合理利用
本发明在实现联邦学习和区块链结合的基础上,更加注重各个客户端和训练发起者与区块链的通信体验。在无信任的区块链框架中,客户端数据的真是性和有效性尤为重要,本发明实现了通过智能合约的方法筛选多方计算中符合模型训练方向的客户端梯度信息进行聚合,考虑到梯度信息的数据规模大,我们将梯度信息仅仅提取出它们的方向向量进行筛选,实现了更快更准确的方向一致性判别。
B、利益的合理分配
本发明更加注重数据的高可用性,相比与通过审计方式判别数据的有效性和客户端的真实性,本发明又从数据梯度信息出发,结合智能合约,更加高效的识别客户端数据的真实性和可用性,避免了虚构数据和恶意数据的占用资源和利益的无效分发,只有真正起到作用的数据才能被分配到奖励。
C、数据隐私保护
本发明通过应用联邦学习,同态加密算法,以及区块链中安全聚合算法应用保证了训练无需获取客户端数据达到训练的目的。同时,通过加密算法保证任何第三方无法获取到客户端通过训练产生的梯度信息,避免梯度信息泄漏数据样本。
D、基于零知识证明和筛选算法的数据审计方法
通过RSA累加器技术的应用和使用筛选算法后的结果,可以有效的检测客户端是否存在恶意行为,如:客户端使用恶意数据进行训练,在审计时可以有效检测审计时客户端所提交的数据是否与训练时一致,包括数据顺序的验证;筛选能够参与聚合的数据是符合全局模型训练方向的,伪造能够通过筛选的数据需要消耗客户端过大的计算量,在一定程度上也防止了恶意节点参与到模型更新中。同时,可以使用审计时客户端所提交的数据对训练过程进行复现,与区块链中的存储的对应信息进行比对。
附图说明
图1为实施例1中一种提高通信效率和合理分配奖励的隐私保护方法的流程图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示,本实施例提供了一种提高通信效率和合理分配奖励的隐私保护方法,其包括以下步骤:
一、在主链上进行训练任务的发布(包括训练任务描述,初始模型,初始梯度信息等上传到公有链中),帮助训练发起者找到参与训练的客户端,同时客户端可以根据发布在主链上的训练任务描述选择需要加入的模型训练;
二、等待客户端达到一定数量之后,根据客户端的信息,任务发起者发布相关配置建立安全训练的侧链,侧链将分别在开始和结束锚定在主链上;
三、训练任务开始时,工作节点将初始化模型下载至本地,进行本地训练得到梯度结果之后,将梯度结果的正负值矩阵提取出来,利用部署在各个客户端的智能合约与全局模型的梯度方向进行对比,达到设定阈值标准的客户端梯度结果将被允许上传到区块链中并在侧链上进行贡献度的计算和积累,在客户端进行梯度结果上传之前,使用同态加密密钥对梯度结果进行加密;
四、当一定数量的梯度结果上传到区块链上后,训练发布者将下载梯度结果至本地,侧链将对训练发布方获得的梯度结果进行安全的同态聚合运算,训练发布方获得聚合的结果后进行模型更新;
五、在模型更新后,任务发布者将更新后的模型发送至侧链上,此后依照上述方式进行模型的迭代训练直至获取目标模型;
六、在获取目标模型后,侧链将自动调用主链进行结束锚定,标识本次训练结束,然后对各个客户端每次通过智能合约设定阈值积累的奖励值进行统计和分发。
在整个训练过程中,客户端节点每次提交密文梯度时,同时会提交本轮训练数据的RSA累加值,用以后续验证训练数据的有效性。
在创世区块上进行任务相关数据的上传,加入训练中的客户端可以下载训练任务数据进行本地数据的训练。
在训练中,通过审计的方式对每个参与训练的客户端数据进行审核。
审核采用抽样的方式对客户端的数据和梯度结果进行对用性审核,通过零知识证明方法验证数据样本是否存在聚合结果中。
与现有基于安全方法的联邦学习方案相比,本实施例引入了智能合约筛选梯度结果的方法,在之前的框架中,只要拥有正确数据的客户端就能加入到全局模型的更新中,大量作用效果很弱的梯度结果也会被上传到区块链中,对于存储容量有限的区块链来说这无疑增加了负担,而且他们也在能够获得奖励,对于那些对全局模型更新贡献很大的客户端来说这无疑是不公平的。现在不仅能够通过审计的方式进行数据的核实,而且能通过智能合约筛选梯度结果的方式在一定程度上进行数据质量审核。结合区块链附属的智能合约进行功能的实现,不依靠第三方的插件进行协助,所占用的计算资源非常小,通过智能合约的筛选,减少了聚合和上传过程中的通信开销,在原本安全无信任的环境下,使得框架的通信传输资源拥有更加合理分配,带宽利用效率更高,,同时减少了聚合过程中的计算量,使其更加符合全局模型更新的方向。经过筛选过程之后,对应每个的奖励值的分发都是根据每次训练通过智能合约筛选之后获得的贡献值所积累得到的,这个奖励值是公平的,因为它们都是根据每个客户端实际为全局模型更新所作出贡献而得到的。
本发明提供了一种提高通信效率和合理分配奖励的隐私保护系统,其采用上述的一种提高通信效率和合理分配奖励的隐私保护方法,并包括:
模型安全训练框架,用于任务的安全多方训练和梯度结果的筛选以及奖励值的统计;在创世区块上进行任务相关数据的上传,加入训练中的客户端可以下载训练任务数据进行本地数据的训练,然后部署在客户端的智能合约对训练得到的梯度结果的方向向量进行和上一轮聚合的梯度结果的方向向量进行比较,达到设定的符合率,客户端的梯度结果以及奖励值将被加密上传到区块中。对于没有达到该轮次方向符合率的梯度结果,将不被上传到区块中,以此来提高网络的传输效率和合理分配奖励。在每轮训练中,当客户端上传合格的梯度结果达到一定数量之后,训练发起者将下载本轮的区块进行聚合和多方安全解密,再进行更新全局模型。在本框架中,客户端的梯度结果,奖励值都是加密进行上传的,在进行方向符合程度的计算时,也仅仅是利用梯度结果的方向向量进行计算,最小化的透露客户端的相关信息。
数据审核框架,用于通过审计的方式对每个参与训练的客户端数据进行审核;由于虚假数据和恶意数据有时也会通过方向性判别,这会严重影响区块链的稳定运行,而且客户端的数据是受到隐私保护的。此时需要通过审计方式对客户端的数据进行审计,本实施例采用抽样的方式对客户端的数据和梯度结果进行对用性审核,通过零知识证明方法验证数据样本是否存在聚合结果中,防止恶意行为和虚构的数据。该方法结合筛选的智能合约,还能够在一定程度上验证数样本的质量。
奖励分发框架,用于通过智能合约进行奖励的分发。区块链中奖励的分发是其存在的关键,合理的奖励分配是其能长期存在的重要因素。本实施例的奖励累计在区块链中,等待训练任务结束,通过合约进行奖励的分发,可以有效的避免以往无效梯度信息奖励的分发。
本实施例是一种客户端联邦学习与区块链结合场景下保护客户端隐私,对客户端训练得到的梯度结果提取方向向量之后进行筛选,并根据贡献度进行公开reward分发的新框架。框架是在混合链中进行的,在主链上进行合约的部署便于后续调用。
技术细节
本实施例注重安全多方计算,信息是经过加密或者抽象出现在区块链中,无法直接获得客户端的数据信息。工作细节如下:
合约的发布。本实施例是围绕智能合约来实现筛选,奖励积累,奖励分配等功能的实现。智能合约被训练发起者在创世区块中中被上传到网络中,部署到客户端,在该智能合约中,至关重要的信息就是梯度结果方向向量的更新上传。因为每一轮的训练都会得到不同的聚合梯度信息,每一轮的筛选都是根据上一轮的聚合梯度结果进行的,所以智能合约中的聚合梯度结果需要再每一轮都进行更新。如果每次都部署智能合约比较麻烦,这时只需要在智能合约中写一个接收全局梯度结果的接口,用于更新每轮的更新对比的全局梯度结果。这样在最简化的方式下进行梯度信息的筛选。
客户端加入训练。在区块链中,只有加入到区块链中的客户端才能看到区块链中发布的信息,而且区块链是一种需要进行身份认证的区块链,这很好的保护了个人客户端的隐私。在认证进入区块链网络N后,客户端通过查看发布的信息来判断自己是否利用自身数据进行训练,如果被审计到存在恶意行为,能够将该客户端进行训练限制或是身份注销,相比于比特币,以太坊,该形式下能更好的维护客户端和训练发起者的利益。
模型的更新。由于涉及到客户端隐私的问题,客户端上传的梯度结果都需要进行加密上传,然后在加密情况下由训练发起者进行聚合,再通过多方安全计算得到最后聚合的梯度信息。聚合的梯度结果只有训练发起者可见,当全局模型更新完成之后,训练发起者需要将模型以及聚合梯度的单位向量上传到下一个区块中供下一轮各个客户端继续训练以及筛选。其中聚合梯度信息的单位向量用于传送到智能合约中供下一轮方向性判别的使用。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (6)
1.一种提高通信效率和合理分配奖励的隐私保护方法,其特征在于:包括以下步骤:
一、在主链上进行训练任务的发布,帮助训练发起者找到参与训练的客户端,同时客户端根据发布在主链上的训练任务描述选择需要加入的模型训练;
二、等待客户端达到一定数量之后,根据客户端的信息,任务发起者发布相关配置建立安全训练的侧链,侧链将分别在开始和结束锚定在主链上;
三、训练任务开始时,工作节点将初始化模型下载至本地,进行本地训练得到梯度结果之后,将梯度结果的正负值矩阵提取出来,利用部署在各个客户端的智能合约与全局模型的梯度方向进行对比,达到设定阈值标准的客户端梯度结果将被允许上传到区块链中并在侧链上进行贡献度的计算和积累,在客户端进行梯度结果上传之前,使用同态加密密钥对梯度结果进行加密;
四、当一定数量的梯度结果上传到区块链上后,训练发布者将下载梯度结果至本地,侧链将对训练发布方获得的梯度结果进行安全的同态聚合运算,训练发布方获得聚合的结果后进行模型更新;
五、在模型更新后,任务发布者将更新后的模型发送至侧链上,此后依照上述方式进行模型的迭代训练直至获取目标模型;
六、在获取目标模型后,侧链将自动调用主链进行结束锚定,标识本次训练结束,然后对各个客户端每次通过智能合约设定阈值积累的奖励值进行统计和分发。
2.根据权利要求1所述的一种提高通信效率和合理分配奖励的隐私保护方法,其特征在于:训练过程中,客户端节点每次提交密文梯度时,同时会提交本轮训练数据的RSA累加值,用以后续验证训练数据的有效性。
3.根据权利要求2所述的一种提高通信效率和合理分配奖励的隐私保护方法,其特征在于:步骤一中,在创世区块上进行任务相关数据的上传,加入训练中的客户端可以下载训练任务数据进行本地数据的训练。
4.根据权利要求3所述的一种提高通信效率和合理分配奖励的隐私保护方法,其特征在于:在训练中,通过审计的方式对每个参与训练的客户端数据进行审核。
5.根据权利要求4所述的一种提高通信效率和合理分配奖励的隐私保护方法,其特征在于:审核采用抽样的方式对客户端的数据和梯度结果进行审核,通过零知识证明方法验证数据样本是否存在聚合结果中。
6.一种提高通信效率和合理分配奖励的隐私保护系统,其特征在于:其采用如权利要求5中所述的一种提高通信效率和合理分配奖励的隐私保护方法,并包括:
模型安全训练框架,用于任务的安全多方训练和梯度结果的筛选以及奖励值的统计;
数据审核框架,用于通过审计的方式对每个参与训练的客户端数据进行审核;
奖励分发框架,用于通过智能合约进行奖励的分发。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111076101.3A CN113806800B (zh) | 2021-09-14 | 2021-09-14 | 一种提高通信效率和合理分配奖励的隐私保护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111076101.3A CN113806800B (zh) | 2021-09-14 | 2021-09-14 | 一种提高通信效率和合理分配奖励的隐私保护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113806800A CN113806800A (zh) | 2021-12-17 |
CN113806800B true CN113806800B (zh) | 2023-07-11 |
Family
ID=78895356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111076101.3A Active CN113806800B (zh) | 2021-09-14 | 2021-09-14 | 一种提高通信效率和合理分配奖励的隐私保护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806800B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049680B (zh) * | 2023-03-31 | 2023-08-04 | 天聚地合(苏州)科技股份有限公司 | 基于区块链的模型训练方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552986A (zh) * | 2020-07-10 | 2020-08-18 | 鹏城实验室 | 基于区块链的联邦建模方法、装置、设备及存储介质 |
CN111858755A (zh) * | 2020-06-30 | 2020-10-30 | 全链通有限公司 | 基于区块链的ai训练任务的处理方法、节点及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685501B (zh) * | 2018-12-04 | 2023-04-07 | 暨南大学 | 基于区块链激励机制下可审计的隐私保护深度学习平台建设方法 |
CA3141042A1 (en) * | 2019-06-13 | 2020-12-17 | Luis Eduardo Gutierrez-Sheris | System and method using a fitness-gradient blockchain consensus and providing advanced distributed ledger capabilities via specialized data records |
-
2021
- 2021-09-14 CN CN202111076101.3A patent/CN113806800B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858755A (zh) * | 2020-06-30 | 2020-10-30 | 全链通有限公司 | 基于区块链的ai训练任务的处理方法、节点及介质 |
CN111552986A (zh) * | 2020-07-10 | 2020-08-18 | 鹏城实验室 | 基于区块链的联邦建模方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113806800A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110602096B (zh) | 区块链网络中的数据处理方法、装置、存储介质和设备 | |
CN112001502B (zh) | 高延时网络环境鲁棒的联邦学习训练方法及装置 | |
CN110233868A (zh) | 一种基于Fabric的边缘计算数据安全与隐私保护方法 | |
CN106251144A (zh) | 电子货币管理方法及电子货币节点装置 | |
CN109547407B (zh) | 一种环境监测数据的全过程追踪方法及区块链节点 | |
CN108574668B (zh) | 一种基于机器学习的DDoS攻击流量峰值预测方法 | |
CN202663444U (zh) | 一种云安全数据迁移模型 | |
CN104933207A (zh) | 应用程序中用户行为数据的获取方法和系统 | |
CN110278255B (zh) | 一种基于区块链的物联网iot设备间通信的方法及装置 | |
CN113806800B (zh) | 一种提高通信效率和合理分配奖励的隐私保护方法及系统 | |
CN112288434A (zh) | 隐私交易方法、装置、零知识证明系统和隐私交易架构模型 | |
CN112134893A (zh) | 物联网安全防护方法、装置、电子设备及存储介质 | |
Qi et al. | Scalable decentralized privacy-preserving usage-based insurance for vehicles | |
CN114372589A (zh) | 一种联邦学习方法及相关装置 | |
CN110990790B (zh) | 一种数据处理方法及设备 | |
CN110647583B (zh) | 一种区块链构建方法、装置、终端及介质 | |
CN113434474B (zh) | 基于联邦学习的流量审计方法、设备、存储介质 | |
CN107659579A (zh) | 一种现场存证方法、设备及相关存证系统 | |
CN116055052A (zh) | 基于区块链的数据处理方法、装置、设备及可读存储介质 | |
CN111865595A (zh) | 一种区块链的共识方法及装置 | |
CN114071462A (zh) | 一种无人机群防御卫星导航诱骗方法 | |
CN115314227B (zh) | 一种充电桩接入认证方法、系统和设备 | |
CN116484969A (zh) | 联邦学习模型的训练方法、装置及汽车 | |
CN115174237B (zh) | 一种物联网系统恶意流量的检测方法、装置和电子设备 | |
CN115953044A (zh) | 一种基于联邦学习和区块链技术的电网状态稳定性评估方法 |
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 |