CN114358907A - 一种基于区块链联邦学习的金融风险预测方法和系统 - Google Patents
一种基于区块链联邦学习的金融风险预测方法和系统 Download PDFInfo
- Publication number
- CN114358907A CN114358907A CN202210013375.6A CN202210013375A CN114358907A CN 114358907 A CN114358907 A CN 114358907A CN 202210013375 A CN202210013375 A CN 202210013375A CN 114358907 A CN114358907 A CN 114358907A
- Authority
- CN
- China
- Prior art keywords
- node
- risk prediction
- financial risk
- block chain
- 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.)
- Pending
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种基于区块链联邦学习的金融风险预测方法及系统，方法包括：步骤A：参与方在本地依据所持有的数据，训练基于LSTM的金融风险预测模型，寻找模型参数；步骤B：将参数传输至区块链网络模块，联邦学习节点收集各用户的模型参数，以交易的形式存储到各参与节点；步骤C：产生交易区块；各参与节点收集模型参数打包进区块，各参与节点间通过运行PoQ共识机制，决定出块权所属，获得出块权的参与节点加入区块链网络；步骤D：选出协调节点，协调节点用于汇聚训练结果，聚合节点依据区块链网络的记录和结果，聚合模型参数，并更新金融风险预测模型，将更新后的金融风险预测模型下发至各参与节点，开始新一轮的训练学习；步骤E：设置贡献激励评估机制。
Description
技术领域
本发明涉及平台资源分配技术领域，尤其涉及一种基于区块链联邦学习的金融风险预测方法和系统。
背景技术
区块链作为一个去中心化的、不可变的、共享的分布式账本和数据库，它有很多优点适合来用于联邦学习的相关研究上。区块链是一个去中心化分布式数据库，在整个区块链网络里的所有节点都有相同的权利，它规避了中心化系统数据可能泄露的弊端，加强了隐私保护和数据的安全。区块链作为一个开放性系统，所有数据拥有者都可以自行加入并进行模型的参数更新工作。另外，区块链中的信息具有不可篡改和可以追溯的特性，这从一定程度上避免了恶意数据拥有者对系统的破坏。因此，区块链在联邦学习上的应用可以加强数据拥有者数据的隐私性和系统的安全稳定性。
基于机器学习的智能金融风控领域所涉及的数据是多方面的，但由于各个金融机构、企业之间存在数据隐私、数据孤岛、数据安全法律法规等问题，数据都无法进行完备的整合。为此现有技术提出了联邦学习框架，当前的联邦学习技术框架虽然能一定程度上解决金融机构数据孤岛的问题，但是它们都需要一个第三方服务器或者中央数据库来协作各方，而如何确定第三方以及保障其安全性对于金融机构来说又是难以解决的问题。
发明内容
本发明的目的在于针对背景技术中的缺陷，提出一种基于区块链联邦学习的金融风险预测方法和系统，本发明将区块链技术与联邦学习方法相结合，建立了可多方参与的联邦金融风险预测系统，基于区块链的方法使得联邦学习不再仅仅依赖于第三方服务器，使得系统的安全稳定性得到了很大的提升；同时运用了PoQ共识机制，可以很好的保障模型训练的准确性，即让联邦学习的提升效果得以保证。
为了解决上述问题，本发明提出一种基于区块链联邦学习的金融风险预测方法，用户侧运行有联邦学习模块，服务侧运行有区块链网络模块，所述联邦学习模块设置有联邦学习节点和聚合节点，所述区块链网络模块设置有参与节点；
包括如下步骤：
步骤A：参与方本地训练；参与方在本地依据所持有的数据，训练基于LSTM的金融风险预测模型，通过梯度下降的算法，寻找模型参数；
步骤B：参数传输与收集；将参与方所训练的参数传输至区块链网络模块，所述联邦学习节点收集各自用户的模型参数，并以交易的形式存储到各参与节点；
步骤C：产生交易区块；各参与节点收集模型参数，并通过加密签名，打包进区块，在各参与节点之间通过运行PoQ共识机制，决定出块权所属，获得出块权的参与节点，将区块广播至全网，认证同过后加入区块链网络；
步骤D：模型聚合；在区块链网络模块中推选出一个协调节点，所述协调节点用于汇聚训练结果，所述聚合节点依据区块链网络上的记录和结果，聚合模型参数，并更新金融风险预测模型，将更新后的金融风险预测模型下发至各参与节点，开始新一轮的训练学习；
步骤E：贡献激励评估机制；在本次训练过程中，根据各参与方提供的训练数据的数量和质量发放奖励资源，并将奖励资源写入区块链网络中。
优选的，在所述步骤D中，在区块链网络模块中推选出一个协调节点，包括：
在每一轮训练中，区块链网络随机选择一部分参与节点作为认证节点，并从认证节点中依据历史训练表现附加部分随机因子，推选一个协调节点；
其中，历史训练表现包括累积被认证的MAE值。
优选的，在所述步骤C中，包括：
将每个参与节点训练的金融风险预测模型存储为一条交易，并打包进区块；
所述认证节点依据参与节点本地的数据，对参与节点所属的交易进行验证。
优选的，对参与节点所属的交易进行验证，包括：
计算各个金融风险预测模型在认证节点上的MAE值，并将结果返回协调节点，协调节点判断MAE值是否在规定阈值内，若是则判定该金融风险预测模型有效；
协调节点综合各个认证节点返回的结果，判定交易的区块是否有效。
优选的，包括基于公式一获取MAE值；
其中：
MAE表示平均绝对误差；
mi表示训练所得的金融风险预测模型；
yi表示模型预测值；
f(xi)表示模型真实值；
N表示N个参与节点训练得到的金融风险预测模型的总数量；
i表示第i个金融风险预测模型，i＝1,2,3…N。
一种基于区块链联邦学习的金融风险预测系统，应用有任一项所述的基于区块链联邦学习的金融风险预测方法，包括设置于用户侧的联邦学习模块和设置于服务侧的区块链模块，所述联邦学习模块设置有联邦学习节点和聚合节点，所述区块链网络模块设置有参与节点；
还包括本地训练子模块、参数传输和收集子模块、交易区块产生子模块、模型聚合子模块、贡献激励评估子模块；
所述本地训练子模块，用于触发每个联邦学习节点作为参与方在本地依据所持有的数据，训练基于LSTM的金融风险预测模型，通过梯度下降的算法，寻找模型参数；
所述参数传输和收集子模块，用于将联邦学习节点所训练的参数传输至区块链网络模块，触发所述联邦学习节点收集各自用户的模型参数，并以交易的形式存储到各参与节点；
所述交易区块产生子模块，用于触发各参与节点收集模型参数，并通过加密签名，打包进区块，在各参与节点之间通过运行PoQ共识机制，决定出块权所属，获得出块权的参与节点，将区块广播至全网，认证同过后加入区块链网络；
所述模型聚合子模块，用于在区块链网络模块中推选出一个协调节点，所述协调节点用于汇聚训练结果，所述聚合节点依据区块链网络上的记录和结果，聚合模型参数，并更新金融风险预测模型，将更新后的金融风险预测模型下发至各参与节点，开始新一轮的训练学习；
所述贡献激励评估子模块，用于在本次训练过程中，根据各参与方提供的训练数据的数量和质量发放奖励资源，并将奖励资源写入区块链网络模块中。
优选的，所述模型聚合子模块还包括推选子单元；
所述推选子单元，用于在每一轮训练中，区块链网络随机选择一部分参与节点作为认证节点，并从认证节点中依据历史训练表现附加部分随机因子，推选一个协调节点。
优选的，所述交易区块产生子模块还用于将每个参与节点训练的金融风险预测模型存储为一条交易，并打包进区块；触发所述认证节点依据参与节点本地的数据，对参与节点所属的交易进行验证。
优选的，所述交易区块产生子模块还包括验证子单元；
所述验证子单元用于计算各个金融风险预测模型在认证节点上的MAE值，并将结果返回协调节点，协调节点判断MAE值是否在规定阈值内，若是则判定该金融风险预测模型有效；
协调节点综合各个认证节点返回的结果，判定交易的区块是否有效。
优选的，所述验证子单元计算各个金融风险预测模型在认证节点上的MAE值，包括：
基于公式一获取MAE值；
其中：
MAE表示平均绝对误差；
mi表示训练所得的金融风险预测模型；
yi表示模型预测值；
f(xi)表示模型真实值；
N表示N个参与节点训练得到的金融风险预测模型的总数量；
i表示第i个金融风险预测模型，i＝1,2,3…N。
本发明实施例具有以下有益效果：
1、本发明将区块链技术与联邦学习方法相结合，建立了可多方参与的联邦金融风险预测系统，基于区块链的方法使得联邦学习不再仅仅依赖于第三方服务器，使得系统的安全稳定性得到了很大的提升；
2、本发明运用了PoQ共识机制，可以很好的保障模型训练的准确性，即让联邦学习的提升效果得以保证；
3、本发明具备贡献激励评估机制，能够根据训练过程中各参与者提供的训练数据的数量和质量发放奖励资源，并将奖励资源写入区块链中，利用区块链的公开透明特性，从而吸引更多的参与方加入、同时提升参与方的配合程度，让该风险预测系统的效果不断提升。
附图说明
图1是本发明一个实施例的基于区块链联邦学习的金融风险预测方法的流程示意图；
图2是本发明的一个实施例的基于区块链联邦学习的金融风险预测系统的框架图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
目前的联邦学习框架往往会依赖于一个单一的中央服务器，容易受到服务器故障的影响，同时该第三方服务器的管理和认证又有一定的困难，不能很好地应用在金融风险预测系统中来；
同时存在一定的安全漏洞，如果存在第三方恶意的服务器或者参与方提供错误的梯度搜集和参数更新，那么就会破坏模型训练的准确性；
并且往往默认各方都会积极提供数据和模型，但现实确不一定如此，如果没有合适的激励机制来激励各方提供数据训练和上传模型参数，那么就有可能存在参与方搭顺风车的情况，仅提供少量数据甚至不提供，导致联邦的效果也会较差。
故为了解决上述问题，本申请提出一种基于区块链联邦学习的金融风险预测方法和系统，在本申请中，如图2所示，将系统框架划分为联邦学习和区块链网络两个模块。其中，联邦学习本地训练运行在用户侧客户端(即单个金融机构的设备终端)，依据用户侧的数据学习本地模型参数。每个联邦学习节点根据金融风险指标历史数据集训练基于LSTM的风险金融预测模型，得到金融风险预测模型参数。
而区块链则运行在服务侧(由各个金融机构参与方共同维护)，接收并存储联邦学习的模型参数，并通过共识机制对参数进行认证。
具体的，本发明在用户侧运行有联邦学习模块，服务侧运行有区块链网络模块，所述联邦学习模块设置有联邦学习节点和聚合节点，所述区块链网络模块设置有参与节点；
如图1所示，包括如下步骤：
步骤A：参与方本地训练；参与方在本地依据所持有的数据，训练基于LSTM的金融风险预测模型，通过梯度下降的算法，寻找模型参数；
在本实施例中，LSTM和梯度下降算法均为现有技术，在本申请中不做过多额外阐述。
步骤B：参数传输与收集；将参与方所训练的参数传输至区块链网络模块，所述联邦学习节点收集各自用户的模型参数，并以交易的形式存储到各参与节点；
步骤C：产生交易区块；各参与节点收集模型参数，并通过加密签名，打包进区块，在各参与节点之间通过运行PoQ共识机制，决定出块权所属，获得出块权的参与节点，将区块广播至全网，认证同过后加入区块链网络；
步骤D：模型聚合；在区块链网络模块中推选出一个协调节点，所述协调节点用于汇聚训练结果，所述聚合节点依据区块链网络上的记录和结果，聚合模型参数，并更新金融风险预测模型，将更新后的金融风险预测模型下发至各参与节点，开始新一轮的训练学习；
步骤E：贡献激励评估机制；在本次训练过程中，根据各参与方提供的训练数据的数量和质量发放奖励资源，并将奖励资源写入区块链网络中。
本实施例利用区块链的公开透明特性，引入更多的参与方加入、同时提升参与方的配合程度。例如，在多个参与方进行联邦推理的同时，部署区块链用于记录用户服务的接口调用日志指纹、各参与方的贡献、该服务所产生的收益，并通过智能合约自动将收益分配给各参与方。这种方式与现有的按条计费不同，可以更精准地评估每次调用的质量，从而激励参与方确保调用的准确性，并积极优化效果。
在本实施例中，区块链网络采用的共识算法与传统的PoW(工作量证明)机制不同，这里采用的是PoQ共识，其基本思想是，将PoW无意义地寻找随机数的计算工作，替换为对模型参数准确率进行认证的工作。
为此，利用平均绝对误差(MAE)来衡量训练所得模型的质量，如公式一所示：
其中：
MAE表示平均绝对误差；
mi表示训练所得的金融风险预测模型；
yi表示模型预测值；
f(xi)表示模型真实值；
N表示N个参与节点训练得到的金融风险预测模型的总数量；
i表示第i个金融风险预测模型，i＝1,2,3…N。
优选的，在所述步骤D中，在区块链网络模块中推选出一个协调节点，包括：
在每一轮训练中，区块链网络随机选择一部分参与节点作为认证节点，并从认证节点中依据历史训练表现附加部分随机因子，推选一个协调节点；
其中，历史训练表现包括累积被认证的MAE值。
优选的，在所述步骤C中，包括：
将每个参与节点训练的金融风险预测模型存储为一条交易，并打包进区块；
所述认证节点依据参与节点本地的数据，对参与节点所属的交易进行验证。
优选的，对参与节点所属的交易进行验证，包括：
计算各个金融风险预测模型在认证节点上的MAE值，并将结果返回协调节点，协调节点判断MAE值是否在规定阈值内，若是则判定该金融风险预测模型有效；
协调节点综合各个认证节点返回的结果，判定交易的区块是否有效。
一种基于区块链联邦学习的金融风险预测系统，应用有任一项所述的基于区块链联邦学习的金融风险预测方法，包括设置于用户侧的联邦学习模块和设置于服务侧的区块链模块，所述联邦学习模块设置有联邦学习节点和聚合节点，所述区块链网络模块设置有参与节点；
还包括本地训练子模块、参数传输和收集子模块、交易区块产生子模块、模型聚合子模块、贡献激励评估子模块；
所述本地训练子模块，用于触发每个联邦学习节点作为参与方在本地依据所持有的数据，训练基于LSTM的金融风险预测模型，通过梯度下降的算法，寻找模型参数；
所述参数传输和收集子模块，用于将联邦学习节点所训练的参数传输至区块链网络模块，触发所述联邦学习节点收集各自用户的模型参数，并以交易的形式存储到各参与节点；
所述交易区块产生子模块，用于触发各参与节点收集模型参数，并通过加密签名，打包进区块，在各参与节点之间通过运行PoQ共识机制，决定出块权所属，获得出块权的参与节点，将区块广播至全网，认证同过后加入区块链网络；
所述模型聚合子模块，用于在区块链网络模块中推选出一个协调节点，所述协调节点用于汇聚训练结果，所述聚合节点依据区块链网络上的记录和结果，聚合模型参数，并更新金融风险预测模型，将更新后的金融风险预测模型下发至各参与节点，开始新一轮的训练学习；
所述贡献激励评估子模块，用于在本次训练过程中，根据各参与方提供的训练数据的数量和质量发放奖励资源，并将奖励资源写入区块链网络模块中。
优选的，所述模型聚合子模块还包括推选子单元；
所述推选子单元，用于在每一轮训练中，区块链网络随机选择一部分参与节点作为认证节点，并从认证节点中依据历史训练表现附加部分随机因子，推选一个协调节点。
优选的，所述交易区块产生子模块还用于将每个参与节点训练的金融风险预测模型存储为一条交易，并打包进区块；触发所述认证节点依据参与节点本地的数据，对参与节点所属的交易进行验证。
优选的，所述交易区块产生子模块还包括验证子单元；
所述验证子单元用于计算各个金融风险预测模型在认证节点上的MAE值，并将结果返回协调节点，协调节点判断MAE值是否在规定阈值内，若是则判定该金融风险预测模型有效；
协调节点综合各个认证节点返回的结果，判定交易的区块是否有效。
优选的，所述验证子单元计算各个金融风险预测模型在认证节点上的MAE值，包括：
基于公式一获取MAE值；
其中：
MAE表示平均绝对误差；
mi表示训练所得的金融风险预测模型；
yi表示模型预测值；
f(xi)表示模型真实值；
N表示N个参与节点训练得到的金融风险预测模型的总数量；
i表示第i个金融风险预测模型，i＝1,2,3…N。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种基于区块链联邦学习的金融风险预测方法，其特征在于：用户侧运行有联邦学习模块，服务侧运行有区块链网络模块，所述联邦学习模块设置有联邦学习节点和聚合节点，所述区块链网络模块设置有参与节点；
包括如下步骤：
步骤A：参与方本地训练；参与方在本地依据所持有的数据，训练基于LSTM的金融风险预测模型，通过梯度下降的算法，寻找模型参数；
步骤B：参数传输与收集；将参与方所训练的参数传输至区块链网络模块，所述联邦学习节点收集各自用户的模型参数，并以交易的形式存储到各参与节点；
步骤C：产生交易区块；各参与节点收集模型参数，并通过加密签名，打包进区块，在各参与节点之间通过运行PoQ共识机制，决定出块权所属，获得出块权的参与节点，将区块广播至全网，认证同过后加入区块链网络；
步骤D：模型聚合；在区块链网络模块中推选出一个协调节点，所述协调节点用于汇聚训练结果，所述聚合节点依据区块链网络上的记录和结果，聚合模型参数，并更新金融风险预测模型，将更新后的金融风险预测模型下发至各参与节点，开始新一轮的训练学习；
步骤E：贡献激励评估机制；在本次训练过程中，根据各参与方提供的训练数据的数量和质量发放奖励资源，并将奖励资源写入区块链网络中。
2.根据权利要求1所述一种基于区块链联邦学习的金融风险预测方法，其特征在于：
在所述步骤D中，在区块链网络模块中推选出一个协调节点，包括：
在每一轮训练中，区块链网络随机选择一部分参与节点作为认证节点，并从认证节点中依据历史训练表现附加部分随机因子，推选一个协调节点；
其中，历史训练表现包括累积被认证的MAE值。
3.根据权利要求2所述一种基于区块链联邦学习的金融风险预测方法，其特征在于：
在所述步骤C中，包括：
将每个参与节点训练的金融风险预测模型存储为一条交易，并打包进区块；
所述认证节点依据参与节点本地的数据，对参与节点所属的交易进行验证。
4.根据权利要求3所述一种基于区块链联邦学习的金融风险预测方法，其特征在于：
对参与节点所属的交易进行验证，包括：
计算各个金融风险预测模型在认证节点上的MAE值，并将结果返回协调节点，协调节点判断MAE值是否在规定阈值内，若是则判定该金融风险预测模型有效；
协调节点综合各个认证节点返回的结果，判定交易的区块是否有效。
5.根据权利要求3所述一种基于区块链联邦学习的金融风险预测方法，其特征在于：
包括基于公式一获取MAE值；
其中：
MAE表示平均绝对误差；
mi表示训练所得的金融风险预测模型；
yi表示模型预测值；
f(xi)表示模型真实值；
N表示N个参与节点训练得到的金融风险预测模型的总数量；
i表示第i个金融风险预测模型，i＝1,2,3…N。
6.一种基于区块链联邦学习的金融风险预测系统，其特征在于：应用有任一项如权利要求1-5所述的基于区块链联邦学习的金融风险预测方法，所述系统包括设置于用户侧的联邦学习模块和设置于服务侧的区块链模块，所述联邦学习模块设置有联邦学习节点和聚合节点，所述区块链网络模块设置有参与节点；
还包括本地训练子模块、参数传输和收集子模块、交易区块产生子模块、模型聚合子模块、贡献激励评估子模块；
所述本地训练子模块，用于触发每个联邦学习节点作为参与方在本地依据所持有的数据，训练基于LSTM的金融风险预测模型，通过梯度下降的算法，寻找模型参数；
所述参数传输和收集子模块，用于将联邦学习节点所训练的参数传输至区块链网络模块，触发所述联邦学习节点收集各自用户的模型参数，并以交易的形式存储到各参与节点；
所述交易区块产生子模块，用于触发各参与节点收集模型参数，并通过加密签名，打包进区块，在各参与节点之间通过运行PoQ共识机制，决定出块权所属，获得出块权的参与节点，将区块广播至全网，认证同过后加入区块链网络；
所述模型聚合子模块，用于在区块链网络模块中推选出一个协调节点，所述协调节点用于汇聚训练结果，所述聚合节点依据区块链网络上的记录和结果，聚合模型参数，并更新金融风险预测模型，将更新后的金融风险预测模型下发至各参与节点，开始新一轮的训练学习；
所述贡献激励评估子模块，用于在本次训练过程中，根据各参与方提供的训练数据的数量和质量发放奖励资源，并将奖励资源写入区块链网络模块中。
7.根据权利要求6所述一种基于区块链联邦学习的金融风险预测系统，其特征在于：
所述模型聚合子模块还包括推选子单元；
所述推选子单元，用于在每一轮训练中，区块链网络随机选择一部分参与节点作为认证节点，并从认证节点中依据历史训练表现附加部分随机因子，推选一个协调节点。
8.根据权利要求7所述一种基于区块链联邦学习的金融风险预测系统，其特征在于：
所述交易区块产生子模块还用于将每个参与节点训练的金融风险预测模型存储为一条交易，并打包进区块；触发所述认证节点依据参与节点本地的数据，对参与节点所属的交易进行验证。
9.根据权利要求8所述一种基于区块链联邦学习的金融风险预测系统，其特征在于：
所述交易区块产生子模块还包括验证子单元；
所述验证子单元用于计算各个金融风险预测模型在认证节点上的MAE值，并将结果返回协调节点，协调节点判断MAE值是否在规定阈值内，若是则判定该金融风险预测模型有效；
协调节点综合各个认证节点返回的结果，判定交易的区块是否有效。
10.根据权利要求9所述一种基于区块链联邦学习的金融风险预测系统，其特征在于：
所述验证子单元计算各个金融风险预测模型在认证节点上的MAE值，包括：
基于公式一获取MAE值；
其中：
MAE表示平均绝对误差；
mi表示训练所得的金融风险预测模型；
yi表示模型预测值；
f(xi)表示模型真实值；
N表示N个参与节点训练得到的金融风险预测模型的总数量；
i表示第i个金融风险预测模型，i＝1,2,3…N。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210013375.6A CN114358907A (zh) | 2022-01-06 | 2022-01-06 | 一种基于区块链联邦学习的金融风险预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210013375.6A CN114358907A (zh) | 2022-01-06 | 2022-01-06 | 一种基于区块链联邦学习的金融风险预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114358907A true CN114358907A (zh) | 2022-04-15 |
Family
ID=81106839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210013375.6A Pending CN114358907A (zh) | 2022-01-06 | 2022-01-06 | 一种基于区块链联邦学习的金融风险预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358907A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345734A (zh) * | 2022-10-19 | 2022-11-15 | 山东新科凯邦通信器材有限公司 | 一种基于区块链的产业链金融风控模型构建方法 |
| CN115913749A (zh) * | 2022-12-06 | 2023-04-04 | 北京理工大学 | 基于去中心化联邦学习的区块链DDoS检测方法 |
| CN116703553A (zh) * | 2023-08-07 | 2023-09-05 | 浙江鹏信信息科技股份有限公司 | 金融反欺诈风险监控方法、系统及可读存储介质 |
| CN117112369A (zh) * | 2023-10-19 | 2023-11-24 | 凌雄技术(深圳)有限公司 | 一种基于区块链的设备管理SaaS系统 |
-
2022
- 2022-01-06 CN CN202210013375.6A patent/CN114358907A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345734A (zh) * | 2022-10-19 | 2022-11-15 | 山东新科凯邦通信器材有限公司 | 一种基于区块链的产业链金融风控模型构建方法 |
| CN115913749A (zh) * | 2022-12-06 | 2023-04-04 | 北京理工大学 | 基于去中心化联邦学习的区块链DDoS检测方法 |
| CN115913749B (zh) * | 2022-12-06 | 2023-09-29 | 北京理工大学 | 基于去中心化联邦学习的区块链DDoS检测方法 |
| CN116703553A (zh) * | 2023-08-07 | 2023-09-05 | 浙江鹏信信息科技股份有限公司 | 金融反欺诈风险监控方法、系统及可读存储介质 |
| CN116703553B (zh) * | 2023-08-07 | 2023-12-05 | 浙江鹏信信息科技股份有限公司 | 金融反欺诈风险监控方法、系统及可读存储介质 |
| CN117112369A (zh) * | 2023-10-19 | 2023-11-24 | 凌雄技术(深圳)有限公司 | 一种基于区块链的设备管理SaaS系统 |
| CN117112369B (zh) * | 2023-10-19 | 2024-03-01 | 凌雄技术(深圳)有限公司 | 一种基于区块链的设备管理SaaS系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114358907A (zh) | 一种基于区块链联邦学习的金融风险预测方法和系统 | |
| 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 | |
| CN112434280B (zh) | 一种基于区块链的联邦学习防御方法 | |
| CN109472596B (zh) | 基于交易评估的联盟链共识方法及系统 | |
| CN110611701B (zh) | 一种基于区块链的参数配置和交易处理方法 | |
| CN105868369B (zh) | 一种基于Merkle树结构的数据模型验证系统与方法 | |
| Kong et al. | A reliable and efficient task offloading strategy based on multifeedback trust mechanism for IoT edge computing | |
| CN110928951A (zh) | 一种基于区块链的数据共享及仲裁方法 | |
| CN113992526B (zh) | 一种基于可信度计算的联盟链跨链数据融合方法 | |
| CN114301935B (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 | |
| CN108988326A (zh) | 一种分布式智慧能量管理设备与网络 | |
| CN115641139A (zh) | 一种基于权重计划行为证明的区块链共识方法 | |
| Wang et al. | A trusted consensus scheme for collaborative learning in the edge ai computing domain | |
| CN112765656A (zh) | 基于区块链的电车共享充电可信系统和方法 | |
| CN108985545B (zh) | 一种基于区块链的考绩管理系统 | |
| CN114372589A (zh) | 一种联邦学习方法及相关装置 | |
| CN102006305B (zh) | P2p网络中基于分布式可推荐的声誉遏制恶意行为的方法 | |
| CN113283778A (zh) | 一种基于安全性评价的分层汇聚联邦学习方法 | |
| Putra et al. | Decentralised trustworthy collaborative intrusion detection system for IoT | |
| CN115640305B (zh) | 一种基于区块链的公平可信联邦学习方法 | |
| CN116389478A (zh) | 一种基于区块链和联邦学习的四网融合数据共享方法 | |
| CN116451806A (zh) | 一种基于区块链的联邦学习激励分配方法及装置 | |
| Yang et al. | Dishonest behaviors in online rating systems: cyber competition, attack models, and attack generator | |
| KR20200027868A (ko) | 예측 플랫폼, 예측 플랫폼을 이용한 예측 명제 판단 방법 및 컴퓨터 프로그램 | |
| CN109905388A (zh) | 一种基于区块链的域名信用的处理方法及系统 |
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 |