CN115714646A - 一种基于区块链的隐私保护用户激励方法 - Google Patents
一种基于区块链的隐私保护用户激励方法 Download PDFInfo
- Publication number
- CN115714646A CN115714646A CN202211366648.1A CN202211366648A CN115714646A CN 115714646 A CN115714646 A CN 115714646A CN 202211366648 A CN202211366648 A CN 202211366648A CN 115714646 A CN115714646 A CN 115714646A
- Authority
- CN
- China
- Prior art keywords
- task
- representing
- data
- seller
- vector
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于区块链的隐私保护用户激励方法,属于移动群智感知隐私保护技术领域。本方法利用安全k最近邻计算技术、真值发现技术、狄利克雷分布技术、区块链技术和智能合约技术,支持在不泄露数据隐私和任务隐私等用户隐私的基础上,实现安全和准确的知识发现与公平的用户激励。通过构造基于安全k最近邻计算技术实现数据加密与检索,基于真值发现技术实现用户可靠性计算和知识发现,基于区块链技术和智能合约技术自动和公平地执行用户激励,基于狄利克雷分布技术实现用户信誉值预测的基于区块链的隐私保护用户激励方法。本方法在数据隐私性、知识发现准确性、用户可靠性、激励公平性、知识发现效率以及系统去中心化程度方面具有显著优势。
Description
技术领域
本发明涉及一种适用于移动群智感知场景的用户激励方法,具体涉及一种基于区块链的隐私保护用户激励方法,属于移动群智感知隐私保护技术领域。
背景技术
如今,利用公众的智慧进行知识发现,已经在现实世界中产生了许多应用系统,如医疗诊断、交通模式识别和环境监测等。这些知识发现应用系统的成功依赖于知识售卖方提供高质量的数据。但是,知识售卖方在获取高质量数据的过程中,往往会消耗更多的感知、存储或计算资源。因此,在知识发现应用系统中,采取一种激励方法是必要的措施。在理想情况下,一个精心设计的激励方法,能够使提供高质量数据的知识售卖者能够获得更高的报酬,反之亦然。
然而,考虑到实际应用过程中的隐私性、可靠性和公平性的要求,实现上述针对知识发现应用系统的激励方法是一个挑战。首先,在激励方法的整个过程中,用户的任务兴趣和感知数据应受到保护,因为这些数据通常与他们的工作、教育水平、地点、健康状况等隐私信息息息相关。如果隐私数据没有得到很好的保护,用户可能不愿提供自己的数据,这将对知识发现和知识盈利带来巨大的负面影响。其次,由于传感设备的质量不同、学历教育差异等等原因,不同知识售卖方提供的数据在数据质量上可能有显著差异。因此,激励方法应可靠地根据知识售卖方的数据质量来评估该售卖方的可靠性。第三,激励机制应具有公平性、透明性和数据质量相关性的特点。例如,知识购买方应该在报酬分发之后能够获得相应的知识,知识销售者也会根据他们提交的数据质量自动获得报酬。
目前为止,研究人员已经提出了广泛的适用于移动群智感知场景的用户激励方法。例如,Jin等人提出了一种基于反向组合拍卖的质量感知激励方法。然而,他们的方案仅仅考虑了售卖方的销售质量。当卖家查看他们的数据时,潜在的隐私泄露威胁没有被方案纳入考虑范围。为此,Jin等人提出了另外两种不同的激励方法,分别是基于单一思想的反向组合拍卖和数据扰动机制。然而,传统的激励方法大多是基于一个可信的第三平台来保护隐私,这种第三平台在实际应用过程中很容易由于被黑客攻击而导致服务不可用。作为一种新兴的去中心化公共数字账本,区块链在解决由可信中心引起的安全和隐私问题中受到越来越多的关注。
目前,已有一些基于区块链的激励方法来消除对第三方可信中心的安全假设。然而,现有的基于区块链的方案要么存在隐私问题,要么不能保证知识售卖方的可靠性。例如,Cai等人利用混乱电路根据知识售卖方提供的知识私下计算知识售卖方的权重,并在此基础上设计了基于区块链的知识发现激励方法。然而,该方案没有考虑到任务的隐私性。这导致了在实际应用中,攻击者可以从购买方和售卖方感兴趣的任务数据中推断出购买方或售卖方的隐私信息。
总之,迫切需要一种适用于移动群智感知场景中能够同时保证数据隐私性、用户可靠性和激励公平性的用户激励方法。
发明内容
本发明的目的是针对现有技术存在的不足,为解决移动群智感知场景中的用户隐私容易泄露、用户可靠性难以保证、用户激励公平性难以保障、大规模数据知识发现的开销高和准确性低等技术问题,创造性地提出一种基于区块链的隐私保护用户激励方法。
本方法的创新点在于:利用安全k最近邻计算技术、真值发现技术、狄利克雷分布技术、区块链技术和智能合约技术,支持在不泄露数据隐私和任务隐私等用户隐私的基础上,实现安全和准确的知识发现与公平的用户激励。通过构造基于安全k最近邻计算技术实现数据加密与检索,基于真值发现技术实现用户可靠性计算和知识发现,基于区块链技术和智能合约技术自动和公平地执行用户激励,基于狄利克雷分布技术实现用户信誉值预测的基于区块链的隐私保护用户激励方法。
为了达到上述目的,本发明采取如下技术方案。
首先,对有关概念进行说明。
1.密钥生成中心(Key Generator Center,KGC)
密钥生成中心是一个受信任的第三方服务机构,能够生成并将系统参数分发到系统中的其他实体。当系统初始化完成后,可信中心处于离线或休眠状态。
2.购买方(Buyer)
购买方通常由组织或个人担任,在系统中会发布他们感兴趣的任务,从云服务器中获得相应的知识并完成报酬的支付。
3.售卖方(Seller)
售卖方通常是指向云服务器提交加密感知数据的用户。
4.云服务器(Cloud)
云服务器在系统中被用作服务平台。云负责接收售卖方的数据,将售卖方的数据与合适的购买方的任务进行匹配,进行隐私保护地知识发现。此后,将将相应的知识发送给购买方和区块链,并预测未来的用户信誉数据。
5.区块链平台
区块链平台负责部署所设计的智能合约,并执行用户激励。
本发明中,密钥生成中心是一个完全受信任的第三方机构,并且所有系统实体与密钥生成机构之间的通信都是安全的。其他实体(如售卖方、购买方、云服务器)的安全属于诚实但好奇的,他们诚实地执行所设计的协议,但他们试图从其他实体获取隐私信息。云服务器不会与其他实体合谋,或者假装自己是其他有效的实体。
本发明能够抵抗已知明文攻击。已知明文攻击是指攻击者知道用户与云服务器之间传输的密文信息以及用户的兴趣向量明文信息,从而实施攻击去获取包括用户感知数据、用户密钥等隐私信息。
一种基于区块链的隐私保护用户激励方法,包括以下步骤:
步骤1:系统初始化。密钥生成中心生成系统主密钥,为售卖方和购买方生成用户加密密钥,为云服务器生成用户重加密密钥。同时,售卖方和购买方在区块链平台注册账户。
具体地,密钥随机生成2个(M+4)×(M+4)维可逆矩阵M1和M2,作为系统主密钥。其中,M1为(M+4)×(M+4)为可逆矩阵,元素实数;M2为(M+4)×(M+4)为可逆矩阵,元素实数。
随后,密钥生成中心随机生成1个(M+4)维向量向量为元素由0或1组成的(M+4)维向量。对用户ui而言,密钥生成中心随机生成2个(M+4)×(M+4)维可逆矩阵Ai,1和Bi,1,并将作为用户的加密密钥;其中,ui表示系统中的用户,i表示当前用户的系统编号;Ai,1为(M+4)×(M+4)维可逆矩阵,元素实数;Bi,1为(M+4)×(M+4)为可逆矩阵,元素实数。
之后u,密钥生成中心计算用户重加密密钥{Ai,2,Bi,2},过程如下:
其中,Ai,2和Bi,2表示(M+4)×(M+4)为可逆矩阵,元素为实数,并作为用户的重加密密钥。
最后,用户ui在区块链平台中智能合约注册账户Acci,并将Acci作为后续的报酬分发的账户。如果用户是购买方,需要预先在智能合约账户中存储一定的资金用于报酬分发。其中,Acci表示系统中用户ui的智能合约账户;i表示当前用户的系统编号。
步骤2:数据提交。售卖方进行数据加密,并将加密之后的数据发送到云服务器,云服务器执行数据重加密。
具体地,步骤2包括以下步骤:
步骤2.1:售卖方进行数据加密。
售卖方uk首先生成一个M维任务向量其中,k表示当前售卖方的系统编号;M表示任务总数量,即向量维度;表示售卖方产生的任务向量,向量元素维0或1;lk,m(m=1,2,…,M)取值为0或1,0表示当前售卖方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;om(m=1,2,…,M)代表系统中发布的第m个任务。
基于售卖方获取的任务数值xk,m(m=1,2,…,M),uk建立2个(M+4)维向量和其中,xk,m表示售卖方针对任务om(m=1,2,…,M)获取的任务数据,为实数;当lk,m取值为1,ak,m的数值取值为xk,m,当lk,m取值为0,ak,m的数值取值为0;表示数值ak,m的平方之后的数值;rk表示随机实数;(·)T表示向量转置,即将行向量转换成列向量。
其中,表示售卖方生成的3个向量其中的一个向量;i表示循环序列号;表示密钥生成中心分生成的用户加密密钥中的一部分;表示向量分解之后的向量;表示向量分解之后的向量;当令和的第i位元素与的第i位元素相等,当随即设置和的第i位元素的大小使得和的第i位元素相加之后等于的第i位元素大小。
步骤2.2:云服务器数据重加密。
步骤3:知识发现。购买方生成任务数据并将加密之后的任务数据上传给云服务器。云服务器执行任务数据重加密、任务匹配和任务数据预处理,并将预处理之后数据返回给购买方,将用户数据质量发送给区块链平台。最后,购买方根据云服务器返回的数据执行知识恢复。
具体地,步骤3包括以下步
步骤3.1:购买方数据加密。
购买方uj首先生成1个M维任务向量其中,uj代表系统中购买方实体;j表示当前购买方的系统编号;M表示任务总数量,即向量维度;表示购买方产生的任务向量,向量元素维0或者1;lj,m(m=1,2,…,M)取值为0或者1,0表示当前购买方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;om(m=1,2,…,M)代表uj在系统中发布的第m个任务。
随后,购买方uj生成2个(M+4)维向量和其中,lj,m(m=1,2,…,M)取值为0或者1,0表示当前购买方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;l′j,m在lj,m等于1的情况该数值为随机数,在lj,m等于0的情况该数值为0;rj,1表示随机实数;(·)T表示向量转置,即将行向量转换成列向量。
此后,购买方uj针对任务om(m=1,2,…,M)生成随机数ym(m=1,2,…,M)作为任务om的初始真值。其中,ym为随机实数,并代表购买方针对任务om生成的初始任务值。随后,购买方uj生成一个(M+4)维向量 其中,rj,2是一个随机实数;bj,m在lj,m等于1取值为ym,在lj,m等于0时取值为0。
设购买方uj生成随机数值{zj,m}(m=1,2,…,M),并且随机实数集合{zj,m}满足其中,max(·)表示最大值函数,返回数据中的最大值;K表示假设的满足任务om的用户的数量;k表示循环序列号;wk表示假设的任务om的用户数据的权重;xk,m表示假设的用户关于任务om的任务数据;Maxj表示购买方uj针对自身所有任务生成的最大任务数据;zj,m表示随机实数;i表示循环序列号;j表示当前购买方的系统编号;l表示循环序列号,循环范围为2,3,4,…,M。
随后,购买方uj生成一个(M+4)维向量 其中,rj,3为随机实数;cj,m(m=1,2,3,…M)在lj,m(m=1,2,…,M)取值为1是等于zj,m,在lj,m(m=1,2,…,M)取值为0是等于0;lj,m为购买方uj任务兴趣向量中的元素,表示当前购买方对于任务om是否感兴趣。
其中,表示售卖方生成的4个向量其中的一个向量;i表示循环序列号;表示密钥生成中心分生成的用户加密密钥中的一部分;表示向量分解之后的向量;表示向量分解之后的向量;当令和的第i位元素与的第i位元素相等,当随即设置和的第i位元素的大小使得和的第i位元素相加之后等于的第i位元素大小。
最后,购买方针对当前任务生成售卖方信誉值要求reputationj,并将数据发送给云服务器。同时,购买方将当前任务报酬数量Accj,Pay发送给区块链平台。其中,表示购买方加密之后的任务数据;reputationj表示购买方针对当前任务生成的售卖方信誉值要求;rj,2表示购买方在向量中生成的随机实数;rj,1表示购买方在向量中生成的实数;表示购买方针对感兴趣的任务生成的任务初始值的平方;表示任务初始值平方结果的求和;Accj,Pay表示购买方uj针对当前任务付出的报酬数量。
步骤3.2:购买方数据重加密。
云服务器接收到购买方上传的任务数据之后,结合密钥生成中心为购买方uj生成的重加密密钥{Aj,2,Bj,2},执行购买方数据重加密。具体计算过程如下:
步骤3.3:任务匹配。
云服务器结合购买方uj的任务数据,针对售卖方uk计算:
其中,Δj,k表示购买方uj和售卖方uk针对当前任务的匹配结果,如果Δj,k等于0则表示匹配成功,否则匹配失败;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果。
步骤3.4:任务数据预处理。
云服务器执行完任务匹配之后,将所有匹配成功的售卖方加入任务集合,设任务集合中有n个售卖方。随后,云服务器获取购买方uj的信誉值要求reputationj,从云服务器本地检索任务集合中所有售卖方的信誉值,并执行reputationk≥reputationj的比较,从所有匹配成功的售卖方中选取出满足购买方信誉值要求的售卖方。其中,reputationk表示售卖方uk的信誉值。
随后,云服务器获取售卖方任务数据和任务真值之间的距离Ωk,具体计算过程如下:
其中,表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果;表示售卖方上传的任务数据中向量重加密之后的结果;表示购买方uj上传的人物数据中的一部分。
随后,云服务器根据所有售卖方uk距离真值之间的距离Ωk,计算获取每一位售卖方的数据权重,计算过程如下:
其中,wk表示售卖方uk的数据权重;log(·)表示对数函数;i表示循环序列号;K表示经过任务匹配和信誉值筛选之后满足购买方任务需求的售卖方的数量;Ωk表示售卖方uk的距离真值之间的距离;表示所有符合条件的售卖方的距离和。
随后,云服务器进一步计算ψ作为当前任务扰动之后的加权知识,计算过程如下:
其中,ψ表示当前任务扰动之后的加权知识数据;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果;k表示循环序列号;K表示经过任务匹配和信誉值筛选之后满足购买方任务需求的售卖方的数量;表示所有售卖方权重之和。
步骤3.5:知识恢复。
购买方uj接收到云服务器返回的之后,首先计算ψM=ψ-rj,3。其中,rj,3表示购买方在向量中生成的随机实数;ψM表示当前任务取出扰动之后的总知识。随后,购买方迭代执行下述计算过程来恢复任务om(m=2,3,4,…,M)的知识,直至两次迭代过程中ym距离小于购买方自身的阈值时停止迭代过程。的具体计算过程如下:
ψm-1=ψm mod zj,m
最后,购买方发送知识发现过程结束的反馈给区块链平台,以此作为购买方报酬可以分发的标志。
步骤4:用户激励。
区块链平台利用智能合约执行用户激励过程,包括购买方提交支付请求、数据校验和报酬分发。
具体地,步骤4包括以下步骤:
步骤4.1:购买方提交支付请求。
购买方在知识发现过程中会上传一个报酬分发请求,其中包含购买方账户Accj和报酬数量Accj,Pay。区块链平台运行智能合约首先确保购买方账户Accj的有效性。如果账户Accj无效,智能合约会帮助购买方建立一个合法账户。随后,智能合约从购买方上传的数据中获取具体的报酬数据Accj,Pay。其中,Accj表示购买方uj在区块链平台中注册的合法账户。
步骤4.2:数据校验。
区块链平台运行智能合约首先校验购买方支付请求中报酬数量的格式有效性。针对格式有效的数据,进行数据有效性校验。具体地,数据有效性校验过程如下:
Payl≤Accj,Pay≤min(ledger(Accj),Payh)
其中,Payl表示系统预定的报酬最小值;Payh表示系统预定的报酬最大值;min(·)表示最小值函数,返回数据集合中的最小值;ledger(·)为账户余额查询函数,返回当前账户Accj的账户余额。
此后,购买方获取当前的时间戳Tj,task作为任务校验成功的时间标识。
步骤4.3:报酬分发。
区块链平台接收到购买方的知识发现成功的反馈之后,结合云服务器上传的售卖方数据质量权重进行报酬分发。需要注意的是,一旦知识发现过程开始运行,尽管购买方在一定时间内没有发送任务反馈,区块链平台也会执行智能合约强制进行报酬分包,从而保护售卖方权益。
具体地,智能合约首先基于报酬数量Accj,Pay,执行ledger(Accj)=ledger(Accj)-Accj,Pay,从购买方账户中扣除相应资金,同时更新购买方账户状态。其中,ledger(·)为账户余额查询函数,返回当前账户Accj的账户余额。随后,智能合约执行ledger(Acccloud)=ledger(Acccloud)+Rcl来为云服务器分发报酬,Acccloud表示云服务器再区块链平台中的账户,Rcl表示此次任务需要分发给云服务器的报酬数量。
随后,智能合约根据云服务器返回的数据质量权重wk(k=1,2,3,…,K)为售卖方执行报酬分发,分发过程如下;
最后,智能合约结合任务时间和权重等信息生成任务记录,并存储此次任务记录。
步骤5:信誉值预测。云服务器结合售卖方在历史任务中的数据质量,利用狄利克雷分布来对用户将来任务中的信誉值进行聚合和评估。
具体地,步骤5包括以下步骤:
步骤5.1:信誉值聚合。设系统信誉值分为L级,每一级的信誉值分数为 (θi∈(0,1],i=1,2,3,…,L,θi≤θi+1),售卖方uk的的历史信誉值为其中,L表示系统信誉值级数;表示系统信誉值向量;θi表示系统信誉值中第i级的信誉值数据,取值范围为大于0小于等于1,并且中元素按照生序排列;i为循环序列号,取值范围是1,2,3,…,L;表示售卖方的历史信誉值向量;Xi表示售卖方的历史信誉值数据。
随后,系统设pi=P(θi-1≤Xk≤θi)为售卖方信誉值位于θi-1和θi之间的概率,并利用pi构成概率向量随后,设历史信誉值累积向量其中,P(·)表示概率函数;k表示循环序列号;Xk表示售卖方第k次的信誉值数据;表示概率数据构成的概率向量;pi表示售卖方第k次的信誉值数据位于θi-1和θi之间的概率;表示历史信誉值累积向量;αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量。
此后,云服务器执行信誉值历史聚合过程,计算过程如下:
其中,表示概率数据构成的概率向量;pi表示售卖方第k次的信誉值数据位于θi-1和θi之间的概率;表示历史信誉值累积向量;αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量;运算符Γ表示数学运算符中的Gamma函数;运算符表示数学运算符中的连乘运算;L表示系统信誉值级数;∑表示数学运算符中的求和运算;表示历史信誉值聚合结果。
步骤5.2:信誉值评估。基于历史信誉值聚合结果,云服务器执行未来信誉值评估。
具体地,首先云服务器计算表示信誉值累计向量元素之和。其中,αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量;随后,云服务器结合系统预先设置的信誉值级别权重向量获取当前售卖方的历史信誉值,具体计算过程如下:
最后,云服务器记录并更新售卖方的信誉值。
有益效果
本方法,对比现有技术,在数据隐私性、知识发现准确性、用户可靠性、激励公平性、知识发现效率以及系统去中心化程度方面,具有显著优势。
附图说明
图1为本发明方法实施示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示,一种基于区块链的隐私保护用户激励方法。
首先,KGC生成系统参数(包括主密钥,用户加密密钥和用户重加密密钥)并将其分发给系统中的其他实体。
然后,购买方和售卖方在智能合约中注册账户;购买方发布在云服务器发布加密之后的任务数据和此次任务的声誉要求以及对区块链平台发布的相应报酬要求,售卖方向云服务器提交加密的任务数据;
之后,云服务器执行知识发现过程,具体分为数据重加密任务匹配以及任务知识发现,然后将相应的结果发送给购买方和区块链平台。随后,购买方恢复相应的任务真值并给区块链平台发送任务反馈;
而后,区块链平台运行智能合约执行用户激励;
最后,云服务器执行信誉值预测。
具体地,一种基于区块链的隐私保护用户激励方法,包括以下步骤:
步骤1:系统初始化与用户注册。密钥生成中心生成系统主密钥,为售卖方和购买方生成用户加密密钥,为云服务器生成用户重加密密钥。同时,售卖方和购买方在区块链平台注册账户。
具体地,密钥随机生成2个(M+4)×(M+4)维可逆矩阵M1和M2,并基于{M1,M2}生成系统主密钥。其中,M1为(M+4)×(M+4)为可逆矩阵,元素实数;M2为(M+4)×(M+4)为可逆矩阵,元素实数;
随后,密钥生成中心随机生成1个(M+4)维向量其中,向量为元素由0或1组成的(M+4)维向量。针对用户ui而言,密钥生成中心随机生成2个(M+4)×(M+4)维可逆矩阵Ai,1和Bi,1,并将作为用户的加密密钥。其中,ui表示系统中的用户;i表示当前用户的系统编号;Ai,1为(M+4)×(M+4)维可逆矩阵,元素实数;Bi,1为(M+4)×(M+4)为可逆矩阵,元素实数。
密钥生成中心随后计算用户重加密密钥{Ai,2,Bi,2},计算过程如下:
其中,Ai,2和Bi,2表示(M+4)×(M+4)为可逆矩阵,元素为实数,并作为用户的重加密密钥。
最后,用户ui在区块链平台中智能合约注册账户Acci,并将Acci作为后续的报酬分发的账户。如果用户是购买方,需要预先在智能合约账户中存储一定的资金用于报酬分发。其中,Acci表示系统中用户ui的智能合约账户;i表示当前用户的系统编号。
步骤2:数据提交。具体地,购买方发布在云服务器发布加密之后的任务数据和此次任务的声誉要求以及对区块链平台发布的相应报酬要求,售卖方向云服务器提交加密的任务数据。
步骤2.1:购买方数据提交。购买方uj首先生成1个M维任务向量 其中,uj代表系统中购买方实体;j表示当前购买方的系统编号;M表示任务总数量,也表示向量维度;表示购买方产生的任务向量,向量元素维0或者1;lj,m(m=1,2,…,M)取值为0或者1,0表示当前购买方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;om(m=1,2,…,M)代表uj在系统中发布的第m个任务。
随后,购买方uj生成2个(M+4)维向量和其中,lj,m(m=1,2,…,M)取值为0或者1,0表示当前购买方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;l′j,m在lj,m等于1的情况该数值为随机数,在lj,m等于0的情况该数值为0;rj,1表示随机实数;(·)T表示向量转置,即将行向量转换成列向量。
此后,购买方uj针对任务om(m=1,2,…,M)生成随机数ym(m=1,2,…,M)作为任务om的初始真值。其中,ym为随机实数,并代表购买方针对任务om生成的初始任务值。随后,购买方uj生成一个(M+4)维向量 其中,rj,2是一个随机实数;bj,m在lj,m等于1取值为ym,在lj,m等于0时取值为0。
此外,设购买方uj生成随机数值{zj,m}(m=1,2,…,M),并且随机实数集合{zj,m}满足 其中,max(·)表示最大值函数,返回数据中的最大值;K表示假设的满足任务om的用户的数量;k表示循环序列号;wk表示假设的任务om的用户数据的权重;xk,m表示假设的用户关于任务om的任务数据;Maxj表示购买方uj针对自身所有任务生成的最大任务数据;zj,m表示随机实数;i表示循环序列号;j表示当前购买方的系统编号;l表示循环序列号,循环范围为2,3,4,…,M。
随后,购买方uj生成一个(M+4)维向量 其中,rj,3为随机实数;cj,m(m=1,2,3,…M)在lj,m(m=1,2,…,M)取值为1是等于zj,m,在lj,m(m=1,2,…,M)取值为0是等于0;lj,m为购买方uj任务兴趣向量中的元素,表示当前购买方对于任务om是否感兴趣。
其中,表示售卖方生成的4个向量其中的一个向量;i表示循环序列号;表示密钥生成中心分生成的用户加密密钥中的一部分;表示向量分解之后的向量;表示向量分解之后的向量;当令和的第i位元素与的第i位元素相等,当随即设置和的第i位元素的大小使得和的第i位元素相加之后等于的第i位元素大小。
最后,购买方针对当前任务生成售卖方信誉值要求reputationj,并将数据发送给云服务器。同时,购买方将当前任务报酬数量Accj,Pay发送给区块链平台。其中,表示购买方加密之后的任务数据;reputationj表示购买方针对当前任务生成的售卖方信誉值要求;rj,2表示购买方在向量中生成的随机实数;rj,1表示购买方在向量中生成的实数;表示购买方针对感兴趣的任务生成的任务初始值的平方;表示任务初始值平方结果的求和;Accj,Pay表示购买方uj针对当前任务付出的报酬数量。
步骤2.2:售卖方数据提交。针对售卖方uk,uk首先生成一个M维任务向量其中,uk代表系统中售卖方实体;k表示当前售卖方的系统编号;M表示任务总数量,也表示向量维度;表示售卖方产生的任务向量,向量元素维0或者1;lk,m(m=1,2,…,M)取值为0或者1,0表示当前售卖方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;om(m=1,2,…,M)代表系统中发布的第m个任务。
基于售卖方获取的任务数值xk,m(m=1,2,…,M),uk建立2个(M+4)维向量和其中,xk,m表示售卖方针对任务om(m=1,2,…,M)获取的任务数据,为实数;当lk,m取值为1,ak,m的数值取值为xk,m,当lk,m取值为0,ak,m的数值取值为0;表示数值ak,m的平方之后的数值;rk表示随机实数;(·)T表示向量转置,即将行向量转换成列向量。
其中,表示售卖方生成的3个向量其中的一个向量;i表示循环序列号;表示密钥生成中心分生成的用户加密密钥中的一部分;表示向量分解之后的向量;表示向量分解之后的向量;当令和的第i位元素与的第i位元素相等,当随即设置和的第i位元素的大小使得和的第i位元素相加之后等于的第i位元素大小。
步骤3:知识发现。云服务器执行知识发现过程,具体分为数据重加密任务匹配以及任务知识发现,然后将相应的结果发送给购买方和区块链平台。随后,购买方恢复相应的任务真值并给区块链平台发送任务反馈。
步骤3.1:购买方数据重加密。云服务器接收到购买方上传的任务数据之后,结合密钥生成中心为购买方uj生成的重加密密钥{Aj,2,Bj,2},执行购买方数据重加密。具体计算过程如下:
其中,表示购买方密文数据重加密之后的结果;表示用户重加密密钥中Aj,2的逆矩阵;表示用户重加密密钥中Bj,2的逆矩阵;表示密文中的计算结果;表示密文中的计算结果;表示密钥生成中心生成的主密钥M1的逆矩阵;表示密钥生成中心生成的主密钥M2的逆矩阵。
其中,表示密文数据重加密之后的结果;表示用户重加密密钥中Ak,2的矩阵转置;表示用户重加密密钥中Bk,2的矩阵转置;表示密文中的计算结果;表示密文中的计算结果;表示密钥生成中心生成的主密钥M1的转置矩阵;表示密钥生成中心生成的主密钥M2的转置矩阵。
步骤3:知识发现。购买方生成任务数据并将加密之后的任务数据上传给云服务器。云服务器执行任务数据重加密、任务匹配和任务数据预处理,并将预处理之后数据返回给购买方,将用户数据质量发送给区块链平台。最后,购买方根据云服务器返回的数据执行知识恢复。
步骤3.3:任务匹配。云服务器结合购买方uj的任务数据,针对售卖方uk计算
其中,Δj,k表示购买方uj和售卖方uk针对当前任务的匹配结果,如果Δj,k等于0则表示匹配成功,否则匹配失败;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果;表示密钥生成中心生成的主密钥M1的逆矩阵;表示密钥生成中心生成的主密钥M2的逆矩阵;表示密钥生成中心生成的主密钥M1的转置矩阵;表示密钥生成中心生成的主密钥M2的转置矩阵;运算符°表示数学运算中的向量内积运算;表示向量的转置,即列向量变为行向量;表示向量的转置,即列向量变为行向量;表示向量的转置,即列向量变为行向量。
步骤3.4:任务数据预处理。云服务器执行完任务匹配之后,将所有匹配成功的售卖方加入任务集合,并且假设任务集合中有n个售卖方。随后,云服务器获取购买方uj的信誉值要求reputationj,并从云服务器本地检索任务集合中所有售卖方的信誉值,并执行reputationk≥reputationj的比较,从而从所有匹配成功的售卖方中选取出满足购买方信誉值要求的售卖方。其中,reputationk表示售卖方uk的信誉值。
随后,云服务器获取售卖方任务数据和任务真值之间的距离Ωk,具体计算过程如下:
其中,表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果;表示售卖方上传的任务数据中向量重加密之后的结果;表示向量的转置,即列向量变为行向量;表示向量的转置,即列向量变为行向量;xk,m表示售卖方uk上传的任务数据; 表示购买方uj上传的任务数据中的一部分;∑m=1,2,…,M(xk,m-ym)2表示当前售卖方任务数据与任务真值之间的距离。
随后,云服务器根据所有售卖方uk距离真值之间的距离Ωk,计算获取每一位售卖方的数据权重,计算过程如下:
其中,wk表示售卖方uk的数据权重;log(·)表示对数函数;i表示循环序列号;K表示经过任务匹配和信誉值筛选之后满足购买方任务需求的售卖方的数量;Ωk表示售卖方uk的距离真值之间的距离;表示所有符合条件的售卖方的距离和。
随后,云服务器进一步计算ψ作为当前任务扰动之后的加权知识,具体计算过程如下:
其中,ψ表示当前任务扰动之后的加权知识数据;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果;k表示循环序列号;K表示经过任务匹配和信誉值筛选之后满足购买方任务需求的售卖方的数量;表示所有售卖方权重之和;rj,3表示购买方在向量中生成的随机实数;M表示任务总数量;K表示满足要求的售卖方总数量;k表示循环变量;m表示循环变量;xk,m表示售卖方uk上传的任务数据;zj,m表示购买方生成向量过程中使用的随机实数。
步骤3.5:知识恢复。购买方uj接收到云服务器返回的之后,首先计算ψM=ψ-rj,3。其中,rj,3表示购买方在向量中生成的随机实数;ψM表示当前任务取出扰动之后的总知识。随后,购买方迭代执行下述计算过程来恢复任务om(m=2,3,4,…,M)的知识,直至两次迭代过程中ym距离小于购买方自身的阈值时停止迭代过程。具体计算过程如下:
ψm-1=ψm mod zj,m
其中,ym表示任务om的知识;zj,m表示购买方生成向量过程中使用的随机实数;ψm表示任务om迭代过程中的知识;M表示任务总数量;K表示满足要求的售卖方总数量;k表示循环变量;m表示循环变量;运算符号mod表示取模符号;xk,m表示售卖方uk上传的任务数据;wk表示当前购买方uj的第m个任务中售卖方uk的数据质量权重。
最后,购买方发送知识发现过程结束的反馈给区块链平台,以此来作为购买方报酬可以分发的标志。
步骤4:用户激励。区块链平台利用智能合约执行用户激励过程,具体分为购买方提交支付请求、数据校验和报酬分发三部分。
步骤4.1:购买方提交支付请求。购买方在知识发现过程中会上传一个报酬分发请求,其中包含购买方账户Accj和报酬数量Accj,Pay。区块链平台运行智能合约首先确保购买方账户Accj的有效性。如果账户Accj无效,智能合约会帮助购买方建立一个合法账户。随后,智能合约从购买方上传的数据中获取具体的报酬数据Accj,Pay。其中,Accj表示购买方uj在区块链平台中注册的合法账户;。
步骤4.2:数据校验。区块链平台运行智能合约首先校验购买方支付请求中报酬数量的格式有效性。针对格式有效的数据,进行数据有效性校验。具体地,数据有效性校验过程如下:
Payl≤Accj,Pay≤min(ledger(Accj),Payh)
其中,Payl表示系统预定的报酬最小值;Payh表示系统预定的报酬最大值;min(·)表示最小值函数,返回数据集合中的最小值;ledger(·)为账户余额查询函数,返回当前账户Accj的账户余额。
此后,购买方获取当前的时间戳Tj,task作为任务校验成功的时间标识。
步骤4.3:报酬分发。区块链平台接收到购买方的知识发现成功的反馈之后,结合云服务器上传的售卖方数据质量权重进行报酬分发。需要注意的是一旦知识发现过程开始运行,尽管购买方在一定时间内没有发送任务反馈,区块链平台也会执行智能合约强制进行报酬分包,从而保护售卖方权益。
具体地,智能合约首先基于报酬数量Accj,Pay,执行ledger(Accj)=ledger(Accj)-Accj,Pay,从购买方账户中扣除相应资金,同时更新购买方账户状态。其中,ledger(·)为账户余额查询函数,返回当前账户Accj的账户余额。随后,智能合约执行ledger(Acccloud)=ledger(Acccloud)+Rcl来为云服务器分发报酬。其中,Acccloud表示云服务器再区块链平台中的账户;Rcl表示此次任务需要分发给云服务器的报酬数量。
随后,智能合约根据云服务器返回的数据质量权重wk(k=1,2,3,…,K)为售卖方执行报酬分发,具体分发过程如下:
最后,智能合约结合任务时间和权重等信息生成任务记录,并存储此次任务记录。
步骤5:信誉值预测。云服务器结合售卖方在历史任务中的数据质量,利用狄利克雷分布来对用户将来任务中的信誉值进行信誉值聚合和信誉值评估。
步骤5.1:信誉值聚合。设系统信誉值分为L级,每一级的信誉值分数为 (θi∈(0,1],i=1,2,3,…,L,θi≤θi+1),售卖方uk的的历史信誉值连续箱梁为其中,L表示系统信誉值级数;表示系统信誉值向量;θi表示系统信誉值中第i级的信誉值数据,取值范围为大于0小于等于1,并且中元素按照生序排列;i为循环序列号,取值范围是1,2,3,…,L;表示售卖方的历史信誉值连续向量;Xi表示售卖方的历史信誉值数据。
随后,系统设pi=P(θi-1≤Xk≤θi)为售卖方信誉值位于θi-1和θi之间的概率,并利用pi构成概率向量随后,设历史信誉值累积向量其中,P(·)表示概率函数;k表示循环序列号;Xk表示售卖方第k次的信誉值数据;表示概率数据构成的概率向量;pi表示售卖方第k次的信誉值数据位于θi-1和θi之间的概率;表示历史信誉值累积向量;αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量。
其中,表示概率数据构成的概率向量;pi表示售卖方第k次的信誉值数据位于θi-1和θi之间的概率;表示历史信誉值累积向量;αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量;运算符Γ表示数学运算符中的Gamma函数;运算符表示数学运算符中的连乘运算;L表示系统信誉值级数;∑表示数学运算符中的求和运算;表示历史信誉值聚合结果。
步骤5.2:信誉值评估。基于历史信誉值聚合结果,云服务器执行未来信誉值评估。
具体地,首先云服务器计算表示信誉值累计向量元素之和。其中,αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量;随后,云服务器结合系统预先设置的信誉值级别权重向量获取当前售卖方的历史信誉值,具体计算过程如下:
最后,云服务器记录并更新售卖方的信誉值。
Claims (6)
1.一种基于区块链的隐私保护用户激励方法,其特征在于,包括以下步骤:
步骤1:密钥生成中心生成系统主密钥,为售卖方和购买方生成用户加密密钥,为云服务器生成用户重加密密钥;同时,售卖方和购买方在区块链平台注册账户;
步骤2:售卖方进行数据加密,并将加密之后的数据发送到云服务器,云服务器执行数据重加密;
步骤3:购买方生成任务数据并将加密之后的任务数据上传给云服务器;云服务器执行任务数据重加密、任务匹配和任务数据预处理,并将预处理之后数据返回给购买方,将用户数据质量发送给区块链平台;最后,购买方根据云服务器返回的数据执行知识恢复;
步骤4:区块链平台利用智能合约执行用户激励过程,包括购买方提交支付请求、数据校验和报酬分发;
步骤5:云服务器结合售卖方在历史任务中的数据质量,利用狄利克雷分布来对用户将来任务中的信誉值进行聚合和评估。
2.如权利要求1所述的一种基于区块链的隐私保护用户激励方法,其特征在于,步骤1中,密钥随机生成2个(M+4)×(M+4)维可逆矩阵M1和M2,作为系统主密钥,其中,M1为(M+4)×(M+4)为可逆矩阵,元素实数;M2为(M+4)×(M+4)为可逆矩阵,元素实数;
随后,密钥生成中心随机生成1个(M+4)维向量向量为元素由0或1组成的(M+4)维向量;对用户ui而言,密钥生成中心随机生成2个(M+4)×(M+4)维可逆矩阵Ai,1和Bi,1,并将作为用户的加密密钥;其中,ui表示系统中的用户,i表示当前用户的系统编号;Ai,1为(M+4)×(M+4)维可逆矩阵,元素实数;Bi,1为(M+4)×(M+4)为可逆矩阵,元素实数;
之后u,密钥生成中心计算用户重加密密钥{Ai,2,Bi,2},过程如下:
其中,Ai,2和Bi,2表示(M+4)×(M+4)为可逆矩阵,元素为实数,并作为用户的重加密密钥;
最后,用户ui在区块链平台中智能合约注册账户Acci,并将Acci作为后续的报酬分发的账户;如果用户是购买方,需要预先在智能合约账户中存储一定的资金用于报酬分发;其中,Acci表示系统中用户ui的智能合约账户;i表示当前用户的系统编号。
3.如权利要求1所述的一种基于区块链的隐私保护用户激励方法,其特征在于,步骤2包括以下步骤:
步骤2.1:售卖方进行数据加密;
售卖方uk首先生成一个M维任务向量其中,k表示当前售卖方的系统编号;M表示任务总数量,即向量维度;表示售卖方产生的任务向量,向量元素维0或1;lk,m(m=1,2,…,M)取值为0或1,0表示当前售卖方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;om(m=1,2,…,M)代表系统中发布的第m个任务;
基于售卖方获取的任务数值xk,m(m=1,2,…,M),uk建立2个(M+4)维向量和其中,xk,m表示售卖方针对任务om(m=1,2,…,M)获取的任务数据,为实数;当lk,m取值为1,ak,m的数值取值为xk,m,当lk,m取值为0,ak,m的数值取值为0;表示数值ak,m的平方之后的数值;rk表示随机实数;(·)T表示向量转置,即将行向量转换成列向量;
其中,表示售卖方生成的3个向量其中的一个向量;i表示循环序列号;表示密钥生成中心分生成的用户加密密钥中的一部分;表示向量分解之后的向量;表示向量分解之后的向量;当令和的第i位元素与的第i位元素相等,当随即设置和的第i位元素的大小使得和的第i位元素相加之后等于的第i位元素大小;
步骤2.2:云服务器数据重加密;
4.如权利要求1所述的一种基于区块链的隐私保护用户激励方法,其特征在于,步骤3包括以下步骤:
步骤3.1:购买方数据加密;
购买方uj首先生成1个M维任务向量其中,uj代表系统中购买方实体;j表示当前购买方的系统编号;M表示任务总数量,即向量维度;表示购买方产生的任务向量,向量元素维0或者1;lj,m(m=1,2,…,M)取值为0或者1,0表示当前购买方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;om(m=1,2,…,M)代表uj在系统中发布的第m个任务;
随后,购买方uj生成2个(M+4)维向量和其中,lj,m(m=1,2,…,M)取值为0或者1,0表示当前购买方对该任务om(m=1,2,…,M)没有兴趣,1表示当前售卖方对该任务om(m=1,2,…,M)有兴趣;l′j,m在lj,m等于1的情况该数值为随机数,在lj,m等于0的情况该数值为0;rj,1表示随机实数;(·)T表示向量转置,即将行向量转换成列向量;
此后,购买方uj针对任务om(m=1,2,…,M)生成随机数ym(m=1,2,…,M)作为任务om的初始真值;其中,ym为随机实数,并代表购买方针对任务om生成的初始任务值;随后,购买方uj生成一个(M+4)维向量 其中,rj,2是一个随机实数;bj,m在lj,m等于1取值为ym,在lj,m等于0时取值为0;
设购买方uj生成随机数值{zj,m}(m=1,2,…,M),并且随机实数集合{zj,m}满足zj,1=1,其中,max(·)表示最大值函数,返回数据中的最大值;K表示假设的满足任务om的用户的数量;k表示循环序列号;wk表示假设的任务om的用户数据的权重;xk,m表示假设的用户关于任务om的任务数据;Maxj表示购买方uj针对自身所有任务生成的最大任务数据;zj,m表示随机实数;i表示循环序列号;j表示当前购买方的系统编号;l表示循环序列号,循环范围为2,3,4,…,M;
随后,购买方uj生成一个(M+4)维向量 其中,rj,3为随机实数;cj,m(m=1,2,3,…M)在lj,m(m=1,2,…,M)取值为1是等于zj,m,在lj,m(m=1,2,…,M)取值为0是等于0;lj,m为购买方uj任务兴趣向量中的元素,表示当前购买方对于任务om是否感兴趣;
其中,表示售卖方生成的4个向量其中的一个向量;i表示循环序列号;表示密钥生成中心分生成的用户加密密钥中的一部分;表示向量分解之后的向量;表示向量分解之后的向量;当令和的第i位元素与的第i位元素相等,当随即设置和的第i位元素的大小使得和的第i位元素相加之后等于的第i位元素大小;
最后,购买方针对当前任务生成售卖方信誉值要求reputationj,并将数据发送给云服务器;同时,购买方将当前任务报酬数量Accj,Pay发送给区块链平台;其中,表示购买方加密之后的任务数据;reputationj表示购买方针对当前任务生成的售卖方信誉值要求;rj,2表示购买方在向量中生成的随机实数;rj,1表示购买方在向量中生成的实数;表示购买方针对感兴趣的任务生成的任务初始值的平方;表示任务初始值平方结果的求和;Accj,Pay表示购买方uj针对当前任务付出的报酬数量;
步骤3.2:购买方数据重加密;
云服务器接收到购买方上传的任务数据之后,结合密钥生成中心为购买方uj生成的重加密密钥{Aj,2,Bj,2},执行购买方数据重加密;具体计算过程如下:
步骤3.3:任务匹配;
云服务器结合购买方uj的任务数据,针对售卖方uk计算:
其中,Δj,k表示购买方uj和售卖方uk针对当前任务的匹配结果,如果Δj,k等于0则表示匹配成功,否则匹配失败;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果;
步骤3.4:任务数据预处理;
云服务器执行完任务匹配之后,将所有匹配成功的售卖方加入任务集合,设任务集合中有n个售卖方;随后,云服务器获取购买方uj的信誉值要求reputationj,从云服务器本地检索任务集合中所有售卖方的信誉值,并执行reputationk≥reputationj的比较,从所有匹配成功的售卖方中选取出满足购买方信誉值要求的售卖方;其中,reputationk表示售卖方uk的信誉值;
随后,云服务器获取售卖方任务数据和任务真值之间的距离Ωk,具体计算过程如下:
其中,表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果;表示售卖方上传的任务数据中向量重加密之后的结果;表示购买方uj上传的人物数据中的一部分;
随后,云服务器根据所有售卖方uk距离真值之间的距离Ωk,计算获取每一位售卖方的数据权重,计算过程如下:
其中,wk表示售卖方uk的数据权重;log(·)表示对数函数;i表示循环序列号;K表示经过任务匹配和信誉值筛选之后满足购买方任务需求的售卖方的数量;Ωk表示售卖方uk的距离真值之间的距离;表示所有符合条件的售卖方的距离和;
随后,云服务器进一步计算ψ作为当前任务扰动之后的加权知识,计算过程如下:
其中,ψ表示当前任务扰动之后的加权知识数据;表示购买方上传的任务数据中向量重加密结果的逆矩阵,即列向量转换成行向量;表示售卖方上传的任务数据中向量重加密之后的结果;k表示循环序列号;K表示经过任务匹配和信誉值筛选之后满足购买方任务需求的售卖方的数量;表示所有售卖方权重之和;
步骤3.5:知识恢复;
购买方uj接收到云服务器返回的之后,首先计算ψM=ψ-rj,3;其中,rj,3表示购买方在向量中生成的随机实数;ψM表示当前任务取出扰动之后的总知识;随后,购买方迭代执行下述计算过程来恢复任务om(m=2,3,4,…,M)的知识,直至两次迭代过程中ym距离小于购买方自身的阈值时停止迭代过程;具体计算过程如下:
ψm-1=ψm mod zj,m
最后,购买方发送知识发现过程结束的反馈给区块链平台,以此作为购买方报酬能够分发的标志。
5.如权利要求1所述的一种基于区块链的隐私保护用户激励方法,其特征在于,步骤4包括以下步骤:
步骤4.1:购买方提交支付请求;
购买方在知识发现过程中会上传一个报酬分发请求,其中包含购买方账户Accj和报酬数量Accj,Pay;区块链平台运行智能合约首先确保购买方账户Accj的有效性;如果账户Accj无效,智能合约会帮助购买方建立一个合法账户;随后,智能合约从购买方上传的数据中获取具体的报酬数据Accj,Pay;其中,Accj表示购买方uj在区块链平台中注册的合法账户;
步骤4.2:数据校验;
区块链平台运行智能合约首先校验购买方支付请求中报酬数量的格式有效性;针对格式有效的数据,进行数据有效性校验,数据有效性校验过程如下:
Payl≤Accj,Pay≤min(ledger(Accj),Payh)
其中,Payl表示系统预定的报酬最小值;Payh表示系统预定的报酬最大值;min(·)表示最小值函数,返回数据集合中的最小值;ledger(·)为账户余额查询函数,返回当前账户Accj的账户余额;
此后,购买方获取当前的时间戳Tj,task作为任务校验成功的时间标识;
步骤4.3:报酬分发;
区块链平台接收到购买方的知识发现成功的反馈之后,结合云服务器上传的售卖方数据质量权重进行报酬分发;一旦知识发现过程开始运行,区块链平台会执行智能合约强制进行报酬分包;
具体地,智能合约首先基于报酬数量Accj,Pay,执行ledger(Accj)=ledger(Accj)-Accj,Pay,从购买方账户中扣除相应资金,同时更新购买方账户状态;其中,ledger(·)为账户余额查询函数,返回当前账户Accj的账户余额;随后,智能合约执行ledger(Acccloud)=ledger(Acccloud)+Rcl来为云服务器分发报酬,Acccloud表示云服务器再区块链平台中的账户,Rcl表示此次任务需要分发给云服务器的报酬数量;
随后,智能合约根据云服务器返回的数据质量权重wk(k=1,2,3,…,K)为售卖方执行报酬分发,分发过程如下;
最后,智能合约结合任务时间和权重等信息生成任务记录,并存储此次任务记录。
6.如权利要求1所述的一种基于区块链的隐私保护用户激励方法,其特征在于,步骤5包括以下步骤:
步骤5.1:信誉值聚合;设系统信誉值分为L级,每一级的信誉值分数为 售卖方uk的的历史信誉值为其中,L表示系统信誉值级数;表示系统信誉值向量;θi表示系统信誉值中第i级的信誉值数据,取值范围为大于0小于等于1,并且中元素按照生序排列;i为循环序列号,取值范围是1,2,3,…,L;表示售卖方的历史信誉值向量;Xi表示售卖方的历史信誉值数据;
随后,系统设pi=P(θi-1≤Xk≤θi)为售卖方信誉值位于θi-1和θi之间的概率,并利用pi构成概率向量随后,设历史信誉值累积向量其中,P(·)表示概率函数;k表示循环序列号;Xk表示售卖方第k次的信誉值数据;表示概率数据构成的概率向量;pi表示售卖方第k次的信誉值数据位于θi-1和θi之间的概率;表示历史信誉值累积向量;αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量;
此后,云服务器执行信誉值历史聚合过程,计算过程如下:
其中,表示概率数据构成的概率向量;pi表示售卖方第k次的信誉值数据位于θi-1和θi之间的概率;表示历史信誉值累积向量;αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量;运算符Γ表示数学运算符中的Gamma函数;运算符表示数学运算符中的连乘运算;L表示系统信誉值级数;∑表示数学运算符中的求和运算;表示历史信誉值聚合结果;
步骤5.2:信誉值评估;基于历史信誉值聚合结果,云服务器执行未来信誉值评估;
具体地,首先云服务器计算表示信誉值累计向量元素之和;其中,αi表示售卖方历史任务中信誉值位于θi-1和θi之间的数量;随后,云服务器结合系统预先设置的信誉值级别权重向量获取当前售卖方的历史信誉值,具体计算过程如下:
最后,云服务器记录并更新售卖方的信誉值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366648.1A CN115714646A (zh) | 2022-11-01 | 2022-11-01 | 一种基于区块链的隐私保护用户激励方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366648.1A CN115714646A (zh) | 2022-11-01 | 2022-11-01 | 一种基于区块链的隐私保护用户激励方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115714646A true CN115714646A (zh) | 2023-02-24 |
Family
ID=85232035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211366648.1A Pending CN115714646A (zh) | 2022-11-01 | 2022-11-01 | 一种基于区块链的隐私保护用户激励方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115714646A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117254982A (zh) * | 2023-11-20 | 2023-12-19 | 深圳桑达银络科技有限公司 | 基于区块链的数字身份验证方法及系统 |
-
2022
- 2022-11-01 CN CN202211366648.1A patent/CN115714646A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117254982A (zh) * | 2023-11-20 | 2023-12-19 | 深圳桑达银络科技有限公司 | 基于区块链的数字身份验证方法及系统 |
CN117254982B (zh) * | 2023-11-20 | 2024-02-23 | 深圳桑达银络科技有限公司 | 基于区块链的数字身份验证方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | A privacy-preserving-based secure framework using blockchain-enabled deep-learning in cooperative intelligent transport system | |
US11580417B2 (en) | System and method for processing data and managing information | |
CN111160573B (zh) | 保护数据隐私的双方联合训练业务预测模型的方法和装置 | |
CN115510494B (zh) | 一种基于区块链与联邦学习的多方安全数据共享方法 | |
CN109697365A (zh) | 信息处理方法及区块链节点、电子设备 | |
CN112231561B (zh) | 数据处理方法、装置、设备及存储介质 | |
Qi et al. | A blockchain-enabled federated learning model for privacy preservation: System design | |
CN109190329A (zh) | 证照信息管理方法、系统及区块链节点设备和存储介质 | |
CN113051586B (zh) | 联邦建模系统及方法、联邦模型预测方法、介质、设备 | |
Camilo et al. | A secure personal-data trading system based on blockchain, trust, and reputation | |
CN115714646A (zh) | 一种基于区块链的隐私保护用户激励方法 | |
CN114930357A (zh) | 经由梯度提升的隐私保护机器学习 | |
Xiong et al. | A lightweight privacy protection scheme based on user preference in mobile crowdsensing | |
CN117195972A (zh) | 一种基于ckks的密文神经网络构建方法及系统 | |
US20230274183A1 (en) | Processing of machine learning modeling data to improve accuracy of categorization | |
CN113744036A (zh) | 一种基于区块链数字签名的量子支票交易方法 | |
Avgerou et al. | On the deployment of citizens’ privacy preserving collective intelligent ebusiness models in smart cities | |
CN117294482A (zh) | 基于多方安全隐私计算的数据验证方法和装置 | |
CN116821952A (zh) | 基于区块链共识机制的隐私数据计算可追溯系统及方法 | |
Yang et al. | Accountable and verifiable secure aggregation for federated learning in IoT networks | |
Guo et al. | B 2 sfl: A bi-level blockchained architecture for secure federated learning-based traffic prediction | |
Wang et al. | Enabling Fairness‐Aware and Privacy‐Preserving for Quality Evaluation in Vehicular Crowdsensing: A Decentralized Approach | |
CN112995189B (zh) | 一种基于隐私保护的公开验证矩阵乘法正确性的方法 | |
CN114547684A (zh) | 一种保护隐私数据的多方联合训练树模型的方法及装置 | |
CN113536353A (zh) | 一种隐私数据处理方法 |
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 |