CN115600219A - 候选任务工作者声誉值的确定方法 - Google Patents
候选任务工作者声誉值的确定方法 Download PDFInfo
- Publication number
- CN115600219A CN115600219A CN202211612117.6A CN202211612117A CN115600219A CN 115600219 A CN115600219 A CN 115600219A CN 202211612117 A CN202211612117 A CN 202211612117A CN 115600219 A CN115600219 A CN 115600219A
- Authority
- CN
- China
- Prior art keywords
- task
- publishers
- reputation value
- workers
- candidate
- 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
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
-
- 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
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Virology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于联邦学习技术领域,提供了一种候选任务工作者声誉值的确定方法,通过确定当前任务发布者,联邦学习系统根据联邦学习任务完成情况,获取所有任务发布者对候选任务工作者的直接声誉值,再根据其他任务发布者对当前任务发布者的评分权重,计算候选任务工作者的间接声誉值,结合直接声誉值和间接声誉值,计算所有任务发布者对候选任务工作者的综合声誉值,再计算所有任务发布者的可靠度并将其作为综合声誉值的可信度,最后根据综合声誉值和综合声誉值的可信度,利用BUI聚合模型计算候选任务工作者的最终声誉值。本申请能够有效的避免恶意任务发布者与不可靠任务工作者相互串通,提高候选任务工作者声誉值的准确度。
Description
技术领域
本申请属于联邦学习技术领域,尤其涉及一种候选任务工作者声誉值的确定方法。
背景技术
联邦学习是一种新兴的人工智能基础技术,它支持使用来自大规模节点(如移动设备)的本地数据集进行分布式模型训练,但只共享模型更新,而不上传原始训练数据。该技术提供了良好的隐私保护,同时保证了较高的学习性能。尽管联邦学习具有上述这些好处和广阔的应用前景,但仍存在一些关键的挑战,诸如现有的工作主要集中在设计先进的学习算法,以达到更好的学习性能。然而参与培训的可靠联邦学习的任务工作者(即移动设备)选择方案等挑战尚未得到探索。因此,防御这种有意或无意的不可靠的局部模型更新对于联邦学习是至关重要的。
研究表明,任务工作者故意发送恶意更新以及任务工作者可能会无意地更新一些低质量的参数都会影响全局模型参数。在这些理论和研究的推动下,联邦学习中引入了声誉作为一个公平的度量来选择可靠的任务工作者进行联合学习,以抵御移动网络中不可靠的模型更新。目前,现有方案主要是通过多权重主观逻辑模型和联盟区块链的结合选择可靠和可信任务工作者。联邦学习运用多权重主观逻辑模型来生成任务工作者候选人的综合声誉值,多权重主观逻辑是一个广泛采用的概率推理框架:每个任务发布者将其直接声誉意见和间接声誉意见相结合,为任务工作候选人生成综合声誉价值。联盟区块链以分散的方式管理声誉,保证精确的信誉计算,从而显著提高学习精度。
尽管这些方法在选择可靠和可信的任务工作者方面取得了一些进展,但仍存在一定的局限性。例如很多方法没有考虑恶意任务发布者的检测,这将导致恶意任务发布者能与不可靠任务工作者相互串通共同影响数据的准确性。
综上,联邦学习存在候选任务工作者声誉值求值不够准确的问题。
发明内容
本申请实施例提供了一种候选任务工作者声誉值的确定方法,可以解决联邦学习中候选任务工作者声誉值求值不够准确的问题。
本申请实施例提供了一种候选任务工作者声誉值的确定方法,应用于联邦学习系统,包括:
在候选任务工作者完成联邦学习系统的联邦学习任务后,将联邦学习
系统中所有任务发布者中的任一者作为当前任务发布者;
根据联邦学习任务的完成情况,获取所有任务发布者对候选任务工作者的直接声誉值;
根据其他任务发布者对当前任务发布者的评分权重,计算候选任务工作者的间接声誉值;
根据直接声誉值和间接声誉值,计算所有任务发布者对候选任务工作者的综合声誉值;
计算所有任务发布者的可靠度,并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度;
根据所有任务发布者对候选任务工作者的综合声誉值以及对应的可信度,利用BUI聚合模型计算候选任务工作者的最终声誉值。
可选的,根据联邦学习任务的完成情况,获取所有任务发布者对候选任务工作者的直接声誉值,包括:
通过计算公式
得到所有任务发布者对候选任务工作者的直接声誉值,其中,表示任务发布者i对候选任务工作者j的直接声誉值,表示候选任务工作者j的正面互动事件数,正面互动事件数表示候选任务工作者j向任务发布者i返回可靠的本地模型的次数,表示候选任务工作者j的负面互动事件数,负面互动事件数表示候选任务工作者j向任务发布者i返回不可靠的本地模型的次数,表示任务发布者i对候选任务工作者j的直接声誉值信度,表示任务发布者i对候选任务工作者j的直接声誉值不信度,表示任务发布者i对候选任务工作者j的直接声誉值不确定度,表示直接声誉值不确定度的影响水平;,,,m表示任务发布者的总个数,表示候选任务工作者的总个数。
可选的,根据其他任务发布者对当前任务发布者的评分权重,计算候选任务工作者的间接声誉值,包括:
通过计算公式
得到候选任务工作者j的间接声誉值,其中,表示其他任务发布者y对候选任务工作者j的间接声誉值,表示其他任务发布者y对候选任务工作者j的间接声誉值信度,表示其他任务发布者y对候选任务工作者j的间接声誉值不信度,表示其他任务发布者y对候选任务工作者j的间接声誉值不确定度,表示其他任务发布者y对当前任务发布者i的评分权重参数,,,,。
可选的,根据直接声誉值和间接声誉值,计算所有任务发布者对候选任务工作者的综合声誉值,包括:
通过计算公式
得到所有任务发布者对候选任务工作者j的综合声誉值,其中,表示任务发布者i对候选任务工作者j的综合声誉值,表示任务发布者i对候选任务工作者j的综合声誉值可信度,表示任务发布者i对候选任务工作者j的综合声誉值不可信度,表示任务发布者i对候选任务工作者j的综合声誉值不确定度,。
可选的,计算所有任务发布者的可靠度,包括:
通过计算公式
可选的,根据所有任务发布者对候选任务工作者的综合声誉值以及综合声誉值对应的可信度,利用BUI聚合模型计算候选任务工作者的最终声誉值,包括:
其中,表示所有任务发布者对候选任务工作者j的综合声誉值的加权聚合函数,表示区间值的加权聚合函数,表示任务发布者i对候选任务工作者j的综合声誉值,,表示任务发布者i对候选任务工作者j的综合声誉值的可信度,,表示区间值,,,l表示区间的不确定度函数;
可选的,在计算所有任务发布者的可靠度,并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度之后,本申请提供的候选任务工作者声誉值的确定方法,还包括:
联邦学习系统将综合声誉值和综合声誉值的可信度存储在信誉区块链中。
本申请的上述方案有如下的有益效果:
本申请的一些实施例中,联邦学习系统通过根据其他任务发布者对当前任务发布者的评分权重,计算候选任务工作者的间接声誉值,能够避免恶意任务发布者的干扰;通过计算所有任务发布者对候选任务工作者的综合声誉值,并用任务发布者的可靠度表示综合声誉值的可信度,结合BUI聚合模型计算候选任务工作者的最终声誉值,得到的最终声誉值的可信度,与所有任务发布者对候选任务工作者的综合声誉值以及所有任务发布者的可靠度共同聚合成的波动区间成反比,波动区间越大最终声誉值越小,从而能够有效的避免恶意任务发布者与不可靠任务工作者相互串通,提高候选任务工作者声誉值求值的准确性。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的候选任务工作者声誉值的确定方法的流程图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
针对联邦学习存在任务工作者声誉值求值不够准确的问题,本申请提出了一种候选任务工作者声誉值的确定方法,联邦学习系统通过根据其他任务发布者对当前任务发布者的评分权重,计算候选任务工作者的间接声誉值,能够避免恶意任务发布者的干扰;通过计算所有任务发布者对候选任务工作者的综合声誉值,并用任务发布者的可靠度表示综合声誉值的可信度,结合基本不确定性信息(BUI,Basic uncertain information)聚合模型计算候选任务工作者的最终声誉值,得到的最终声誉值的可信度,与所有任务发布者对候选任务工作者的综合声誉值以及所有任务发布者的可靠度共同聚合成的波动区间成反比,波动区间越大最终声誉值越小,从而能够有效的避免恶意任务发布者与不可靠任务工作者相互串通,提高候选任务工作者声誉值求值的准确性。
如图1所示,本申请提供的候选任务工作者声誉值的确定方法包括如下步骤:
步骤11,在候选任务工作者完成联邦学习系统的联邦学习任务后,将联邦学习系统中所有任务发布者中的任一者作为当前任务发布者。
联邦学习系统发布联邦学习任务给候选任务工作者是为了获取性能资源信息更好地工作者(候选任务工作者是根据工作者的性能资源信息择优筛选的),从而提高模型训练的效率。
步骤12,根据联邦学习任务的完成情况,获取所有任务发布者对候选任务工作者的直接声誉值。
使候选任务工作者执行联邦学习任务,能够对全局模型进行迭代更新,直至全局模型达到精度标准,在上述过程中,任务发布者与候选任务工作者之间,通常只会共享模型更新,并不会传送原始训练数据。
示例性的,上述联邦学习任务的执行过程如下:
步骤a,候选任务工作者接收当前任务发布者传送的初始全局模型,并对初始全局模型进行训练,得到本地模型。
具体的,候选任务工作者根据本地生成的数据对初始全局模型进行更新,生成本地模型。
上述传送过程中,通常情况下仅共享模型更新,并不会传送原始训练数据,示例性的,可以传送模型的参数。
值得一提的是,候选工作者与任务发布者之间仅共享模型更新,并不会传送原始训练数据,能够很好的保护信息数据的隐私。
步骤b,候选任务工作者将本地模型返回给当前任务发布者。
步骤c,当前任务发布者接收本地模型,并根据本地模型对初始全局模型进行更新,得到新的全局模型。
步骤d,当前任务发布者判断新的全局模型是否满足预设标准。
步骤e,当新的全局模型不满足预设标准时,当前任务发布者将新的全局模型作为初始全局模型传送给候选任务工作者,返回执行步骤a;否则确定为联邦学习任务完成。
此外,联邦学习系统在候选任务工作者执行联邦学习任务的时候,会记录历史互动情况,统计正面互动事件次数和负面互动事件次数。
步骤13,根据其他任务发布者对当前任务发布者的评分权重,计算候选任务工作者的间接声誉值。
值得一提的是,在此利用其他任务发布者对当前任务发布者的评分权重,可以避免恶意任务发布者对数据的影响。
步骤14,根据直接声誉值和间接声誉值,计算所有任务发布者对候选任务工作者的综合声誉值。
在此计算出的所有任务发布者对候选任务工作者的综合声誉值并不能直接作为候选任务工作者的最终声誉值,否则可能会出现恶意任务发布者与不可靠任务工作者相互串通共同影响数据的准确性的问题。
步骤15,计算所有任务发布者的可靠度,并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度。
计算所有任务发布者的可靠度并将其作为所有任务发布者对候选任务工作者的综合声誉值的可信度,便于后续利用BUI聚合模型对最终声誉值进行计算。
此外,通过上述步骤得到所有任务发布者对候选任务工作者的综合声誉值和该综合声誉值对应的可信度后,需要将综合声誉值和综合声誉值对应的可信度以向量的形式存储管理在开放访问的信誉区块链上,便于后续联邦学习系统计算该候选任务工作者最终声誉值时调用,同时,也便于联邦学习系统计算其他任务发布者对该候选任务工作者的综合声誉值。
步骤16,根据所有任务发布者对候选任务工作者的综合声誉值以及对应的可信度,利用BUI聚合模型计算候选任务工作者的最终声誉值。
最终声誉值必须综合所有任务发布者对任务工作者的综合声誉值以及判断任务发布者给出的评分是否合理,本申请利用BUI聚合模型计算候选任务工作者的最终声誉值,从而防止恶意任务发布者与不可靠任务工作者相互串通,共同影响最终声誉值的准确性。
BUI聚合模型具有如下优势:
1)同时表征信息和信息可靠度;
2)具有完善聚合函数框架;
3)信息可靠度的计算方式多元。
可见,本申请的实施例中,联邦学习系统通过根据其他任务发布者对当前任务发布者的评分权重,计算候选任务工作者的间接声誉值,能够避免恶意任务发布者的干扰;通过计算所有任务发布者对候选任务工作者的综合声誉值,并用任务发布者的可靠度表示综合声誉值的可信度,结合BUI聚合模型计算候选任务工作者的最终声誉值,得到的最终声誉值的可信度,与所有任务发布者对候选任务工作者的综合声誉值以及所有任务发布者的可靠度共同聚合成的波动区间成反比,波动区间越大最终声誉值越小,从而能够有效的避免恶意任务发布者与不可靠任务工作者相互串通,提高候选任务工作者声誉值求值的准确性。
下面对步骤11(在候选任务工作者完成联邦学习系统的联邦学习任务后,将联邦学习系统中所有任务发布者中的任一者作为当前任务发布者)中,候选任务工作者的筛选过程做示例性说明。
示例性的,候选工作者的筛选过程如下:
首先,联邦学习系统发布包括了任务发布者对工作者的特定资源要求(数据类型、数据大小和准确性、时间范围和中央处理器(CPU,central processing unit)周期)的联邦学习任务。
然后,接收到联邦学习任务的工作者首先判断自己是否满足任务发布者的资源要求,如果满足就返回包含本身资源信息的响应消息给任务发布者,否则舍弃数据,不做响应。
最后,任务发布者根据响应消息中的工作者资源信息选取候选任务工作者。
下面对步骤12(根据联邦学习任务的完成情况,获取所有任务发布者对候选任务工作者的直接声誉值)中,获取所有任务发布者对候选任务工作者的直接声誉值的具体过程做示例性说明。
具体的,通过计算公式
得到所有任务发布者对候选任务工作者的直接声誉值,其中,表示任务发布者i对候选任务工作者j的直接声誉值,表示候选任务工作者j的正面互动事件数,正面互动事件数表示候选任务工作者j向任务发布者i返回可靠的本地模型的次数,表示候选任务工作者j的负面互动事件数,负面互动事件数表示候选任务工作者j向任务发布者i返回不可靠的本地模型的次数,表示任务发布者i对候选任务工作者j的直接声誉值信度,表示任务发布者i对候选任务工作者j的直接声誉值不信度,表示任务发布者i对候选任务工作者j的直接声誉值不确定度,表示直接声誉值不确定度的影响水平;,,,m表示任务发布者的总个数,表示候选任务工作者的总个数。
下面对步骤13(根据其他任务发布者对当前任务发布者的评分权重,计算候选任务工作者的间接声誉值)的具体过程做示例性说明。
具体的,通过计算公式
得到候选任务工作者j的间接声誉值,其中,表示其他任务发布者y对候选任务工作者j的间接声誉值,表示其他任务发布者y对候选任务工作者j的间接声誉值信度,表示其他任务发布者y对候选任务工作者j的间接声誉值不信度,表示其他任务发布者y对候选任务工作者j的间接声誉值不确定度,表示其他任务发布者y对当前任务发布者i的评分权重参数,,,,。
下面对步骤14(根据直接声誉值和间接声誉值,计算所有任务发布者对候选任务工作者的综合声誉值)的具体过程做示例性说明。
具体的,通过计算公式
得到所有任务发布者对候选任务工作者j的综合声誉值,其中,表示任务发布者i对候选任务工作者j的综合声誉值,表示任务发布者i对候选任务工作者j的综合声誉值可信度,表示任务发布者i对候选任务工作者j的综合声誉值不可信度,表示任务发布者i对候选任务工作者j的综合声誉值不确定度,。
下面对步骤15(计算所有任务发布者的可靠度,并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度)中,计算所有任务发布者的可靠度的具体过程做示例性说明。
具体的,通过计算公式
下面对步骤16(根据所有任务发布者对候选任务工作者的综合声誉值以及综合声誉值对应的可信度,利用BUI聚合模型计算候选任务工作者的最终声誉值)的具体过程做示例性说明。
其中,表示所有任务发布者对候选任务工作者j的综合声誉值的加权聚合函数,表示区间值的加权聚合函数,表示任务发布者i对候选任务工作者j的综合声誉值,,表示任务发布者i对候选任务工作者j的综合声誉值的可信度,,表示区间值,,,l表示区间的不确定度函数。
为了更好地理解本申请提供技术方案,下面结合具体实施例对本申请提供的候选任务工作者声誉值的确定方法做示例性说明:
本申请的一实施例中,经过上述步骤得到的各项数据值如下表所示:
其中,上表中i和j的取值均为[1,10],Pi表示第i个任务发布者,Wj表示第j个候选任务工作者,c i 表示第i个任务发布者的可靠度,x j 表示在不考虑可信度时,第j个候选任务工作者的声誉值,c j 表示第j个候选任务工作者的声誉值的可信度,T j 表示第j个候选任务工作者的最终声誉值。
结合表中候选任务工作者W3和W9对应的最终声誉值、不考虑可信度的候选任务工作者的声誉值x j 以及基于BUI聚合模型的x j 的可信度c j ,可见,在不考虑恶意任务发布者与不可靠的任务工作者相互串通(不考虑可信度)的情况下,任务工作者W3的声誉值(所有综合声誉值的聚合)小于任务工作者W9的声誉值,上述结果可能被恶意发布者影响,得到的是不准确的声誉值。而在考虑可信度并结合BUI聚合模型计算的任务工作者W3的最终声誉值和W9的最终声誉值相同,可见本申请提供的候选任务工作者声誉值的确定方法能够有效结合其他正常任务发布者的可靠度得到最终不被恶意任务发布者影响的最终声誉值,求得的任务工作者的声誉值更加准确。
本申请提供的候选任务工作者声誉值的确定方法能同时考虑任务发布者对候选任务工作者声誉评分及该评分的可靠度,能有效防止恶意任务发布者与不可靠候选任务工作者相互串通共同影响数据的准确性。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (7)
1.一种候选任务工作者声誉值的确定方法,其特征在于,应用于联邦学习系统,所述确定方法包括:
在候选任务工作者完成所述联邦学习系统的联邦学习任务后,将联邦学习
系统中所有任务发布者中的任一者作为当前任务发布者;
根据联邦学习任务的完成情况,获取所有任务发布者对所述候选任务工作者的直接声誉值;
根据其他任务发布者对所述当前任务发布者的评分权重,计算所述候选任务工作者的间接声誉值;
根据所述直接声誉值和所述间接声誉值,计算所有任务发布者对所述候选任务工作者的综合声誉值;
计算所有任务发布者的可靠度,并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度;
根据所有任务发布者对所述候选任务工作者的综合声誉值以及综合声誉值对应的可信度,利用BUI聚合模型计算所述候选任务工作者的最终声誉值。
2.根据权利要求1所述的确定方法,其特征在于,所述根据联邦学习任务的完成情况,获取所有任务发布者对所述候选任务工作者的直接声誉值,包括:
通过计算公式
6.根据权利要求5所述的确定方法,其特征在于,所述根据所有任务发布者对所述候选任务工作者的综合声誉值以及综合声誉值对应的可信度,利用BUI聚合模型计算所述候选任务工作者的最终声誉值,包括:
其中,表示所有任务发布者对候选任务工作者j的综合声誉值的加权聚合函数,表示区间值的加权聚合函数,表示任务发布者i对候选任务工作者j的综合声誉值,,表示任务发布者i对候选任务工作者j的综合声誉值的可信度,,表示区间值,,,l表示所述区间的不确定度函数;
7.根据权利要求1所述的确定方法,其特征在于,在计算所有任务发布者的可靠度,并将计算出的可靠度作为该可靠度对应的综合声誉值的可信度之后,所述确定方法还包括:
所述联邦学习系统将所述综合声誉值和所述综合声誉值的可信度存储在信誉区块链中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211612117.6A CN115600219B (zh) | 2022-12-15 | 2022-12-15 | 候选任务工作者声誉值的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211612117.6A CN115600219B (zh) | 2022-12-15 | 2022-12-15 | 候选任务工作者声誉值的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115600219A true CN115600219A (zh) | 2023-01-13 |
CN115600219B CN115600219B (zh) | 2023-03-14 |
Family
ID=84853925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211612117.6A Active CN115600219B (zh) | 2022-12-15 | 2022-12-15 | 候选任务工作者声誉值的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600219B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951333A (zh) * | 2019-03-19 | 2019-06-28 | 中南大学 | 边缘计算网络视频处理中基于主观逻辑的信任评估装置 |
WO2019231185A1 (ko) * | 2018-05-29 | 2019-12-05 | 연세대학교 산학협력단 | 무선 네트워크에서 노드 사이의 신뢰도 파라미터 산출 방법, 신뢰도 파라미터를 이용한 라우팅 경로 설정 방법 및 장치 |
CN112348204A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 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 |
CN114003821A (zh) * | 2021-12-30 | 2022-02-01 | 江苏奥斯汀光电科技股份有限公司 | 一种基于联邦学习的个性化行为推荐方法 |
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 |
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 |
CN114330742A (zh) * | 2021-12-23 | 2022-04-12 | 中山大学 | 一种基于众包方式和激励机制的联邦学习系统 |
CN114595826A (zh) * | 2020-12-04 | 2022-06-07 | 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 |
CN114862585A (zh) * | 2022-05-20 | 2022-08-05 | 中国人民解放军国防科技大学 | 基于契约的众包激励方法、系统、设备和存储介质 |
-
2022
- 2022-12-15 CN CN202211612117.6A patent/CN115600219B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019231185A1 (ko) * | 2018-05-29 | 2019-12-05 | 연세대학교 산학협력단 | 무선 네트워크에서 노드 사이의 신뢰도 파라미터 산출 방법, 신뢰도 파라미터를 이용한 라우팅 경로 설정 방법 및 장치 |
CN109951333A (zh) * | 2019-03-19 | 2019-06-28 | 中南大学 | 边缘计算网络视频处理中基于主观逻辑的信任评估装置 |
CN112348204A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 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 |
CN114595826A (zh) * | 2020-12-04 | 2022-06-07 | 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 |
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 |
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 |
CN114330742A (zh) * | 2021-12-23 | 2022-04-12 | 中山大学 | 一种基于众包方式和激励机制的联邦学习系统 |
CN114003821A (zh) * | 2021-12-30 | 2022-02-01 | 江苏奥斯汀光电科技股份有限公司 | 一种基于联邦学习的个性化行为推荐方法 |
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 |
CN114862585A (zh) * | 2022-05-20 | 2022-08-05 | 中国人民解放军国防科技大学 | 基于契约的众包激励方法、系统、设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
QINNAN ZHANG ET.AL: "Blockchain Empowered Reliable Federated Learning by Worker Selection: A Trustworthy Reputation Evaluation Method", 《 2021 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE WORKSHOPS (WCNCW)》 * |
凌远景等: "基于声誉机制的传感器网络节点安全定位算法", 《计算机应用》 * |
王莹洁等: "基于声誉的移动众包系统的在线激励机制", 《计算机应用》 * |
芮兰兰等: "一种面向众包的基于信誉值的激励机制", 《电子与信息学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115600219B (zh) | 2023-03-14 |
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 | |
Pouryazdan et al. | Anchor-assisted and vote-based trustworthiness assurance in smart city crowdsensing | |
CN110324362B (zh) | 一种基于交互行为的区块链用户可信度评价方法 | |
CN110610242B (zh) | 一种联邦学习中参与者权重的设置方法及装置 | |
Kantarci et al. | SONATA: Social network assisted trustworthiness assurance in smart city crowdsensing | |
CN112929845B (zh) | 一种基于区块链的车联网节点信任评估方法及系统 | |
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 | |
CN105184653A (zh) | 一种面向社交网络的基于信任的众包工人筛选方法 | |
CN112989065A (zh) | 应用于大数据用户画像分析的信息处理方法和云计算平台 | |
Chen et al. | A blockchain-based creditable and distributed incentive mechanism for participant mobile crowdsensing in edge computing | |
CN110110962A (zh) | 一种任务群智执行团队的优选方法 | |
CN102006305A (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 | |
Xu et al. | Edge resource prediction and auction for distributed spatial crowdsourcing with differential privacy | |
CN115600219B (zh) | 候选任务工作者声誉值的确定方法 | |
CN110401955A (zh) | 一种移动网络恶意节点检测方法及系统 | |
Kabbaj et al. | Distfl: An enhanced fl approach for non trusted setting in water distribution networks | |
Khosravifar | Trust and reputation in multi-agent systems | |
CN117611045B (zh) | 一种基于云计算的货物流动监测方法及系统 | |
CN108876210A (zh) | 一种土地系统变化因果结构的识别方法、系统和装置 | |
CN109981361A (zh) | 一种传播网络中感染源的确定方法及装置 | |
CN109460978B (zh) | 一种基于社会关系认知的群智服务节点选择方法 | |
CN117290363B (zh) | 一种面向救援活动的异构数据管理方法及系统 | |
Doe et al. | DSORL: Data Source Optimization With Reinforcement Learning Scheme for Vehicular Named Data Networks | |
Yang et al. | pDPoSt+ sPBFT: A high performance blockchain-assisted parallel reinforcement learning in industrial edge-cloud collaborative network | |
Bhargavi et al. | Fuzzy Neutrosophic Soft Set Based Transfer-Q-Learning Scheme for Load Balancing in Uncertain Grid Computing Environments |
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 |