CN117421779A - 一种基于区块链和联邦学习的工业物联网安全数据共享方法 - Google Patents
一种基于区块链和联邦学习的工业物联网安全数据共享方法 Download PDFInfo
- Publication number
- CN117421779A CN117421779A CN202211551043.XA CN202211551043A CN117421779A CN 117421779 A CN117421779 A CN 117421779A CN 202211551043 A CN202211551043 A CN 202211551043A CN 117421779 A CN117421779 A CN 117421779A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- task
- blockchain
- reputation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 10
- 238000004220 aggregation Methods 0.000 claims abstract description 10
- 238000004806 packaging method and process Methods 0.000 claims abstract description 4
- 231100000279 safety data Toxicity 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000004566 building material Substances 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 231100000572 poisoning Toxicity 0.000 abstract description 3
- 230000000607 poisoning effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06F21/50—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
- G06F21/556—Detecting local intrusion or implementing counter-measures involving covert channels, i.e. data leakage between processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于区块链和联邦学习的工业物联网安全数据共享方法,首先,任务发布节点发布联邦学习任务并初始化区块链,创建创世块及联邦学习模型的初始化参数。然后,工业物联网节点先下载初始化模型,通过收集本地设备产生的数据来进行本地模型训练,在训练的过程中,为了保护本地数据的安全和隐私,采用自适应差分隐私机制来对模型参数进行保护,训练完成之后,通过交易上传到区块链网络上。区块链网络采用共识委员会对节点的本地参数进行验证,并采用声誉机制和模型质量来对参与节点进行度量,防止恶意节点的投毒攻击。最后,验证完成之后,采用联邦聚合算法融合模型参数,并打包到区块链网络上,参与节点和任务发布者即可更新全局模型。本方发明在保护参数隐私的同时降低了噪声和恶意节点对模型精度的影响。并且能够以较高的模型准确率实现数据共享和隐私保护。
Description
[技术领域]
本发明属于工业互联网领域,具体涉及一种基于区块链和联邦学习的工业物联网安全数据共享方法。
[背景技术]
工业物联网的发展大大增加了连接工业物联网的设备产生的数据量。工业物联网数据在各个工业部门发挥着越来越重要的作用。工业物联网数据共享有助于企业做出更好的生产决策,及时应对市场变化。然而,工业物联网实体之间的不信任以及工业物联网主体对数据共享平台的不信任可能会阻碍数据共享的实现。因此,工业物联网数据大多是以数据孤岛的形式存在,难以实现跨领域的安全数据共享。
联邦学习作为一种新型的人工智能技术,可以联合多个本地设备在仅共享模型参数的前提下协同训练机器学习模型,能够有效避免本地设备向边缘节点直接传输数据造成的隐私泄露问题。跨设备联邦学习,其基本思想是将模型训练分散在k个节点进行,每轮训练结束后参数服务器收集节点本地模型参数执行模型聚合算法,并将更新的全局模型参数返回给各节点继续迭代训练直至模型收敛。与分布式机器学习相比,联邦学习具有以下优势:(1)参与节点协作训练,利益共享;(2)数据不出节点本地,保护数据隐私并满足数据合规;(3)模型准确率与数据聚合之后训练的准确率效果相当。
区块链的本质是通过密码学原理来保障的一个链式结构的去中心化共享账本,具有防篡改性,公开透明性,匿名性,可追溯等特点。它能够不依赖第三方可信机构在陌生节点之间建立点对点的可信价值传递,有助于降低交易成本,提高交互效率。
发明内容
综上所述,针对目前工业互联网设备间的数据孤岛,以及共享过程中的安全问题,本发明提出一种基于区块链和联邦学习的工业物联网安全数据共享方法,以解决上述的一些问题。
为达到上述目的,本发明提供如下技术方案:
一种基于区块链和联邦学习的工业物联网安全数据共享方法,通过联邦学习来打破工业物联网中的数据孤岛问题。同时区块链被用来赋予工业物联网设备在联邦学习中的防篡改和抗单点故障攻击等功能,并在共识协议中加入梯度验证和激励机制,鼓励更多的工业物联网设备贡献本地数据和算力。针对数据共享中模型参数可能造成的隐私泄露等安全性问题,设计了自适应差分隐私机制和节点贡献共识机制,还通过信誉机制来抵御恶意节点的投毒攻击,在保护参数隐私的同时降低了噪声和恶意节点对模型精度的影响、具体包括如下步骤:
任务发布方主要由各种需要模型的物联网设备和机构组成,如工业物联网、无人驾驶汽车、家政服务机器人、医疗机构和安全监管部门等;
工业物联网中的任务发布方负责公开联邦学习任务的规范,如应用程序类型、设备类型、训练数据的类型与格式、学习模型的类型和计算要求等,并根据实际情况选择合适的数据拥有方;
同时,任务发布方需要评估数据拥有方的局部模型质量,根据他们的评估结果生成信誉意见索引,然后制定相关的合约策略,并将信誉意见索引和合约策略一起上传到区块链服务平台,以供其他任务发布方在联邦学习中选择信誉较好的数据拥有方;
区块链服务平台是存储信誉意见索引和合约策略的第三方平台,由一组具有足够计算和存储资源的节点维护;
节点通过共识算法进行验证后,将接收到的信誉意见索引存储到数据块中;
任务发布方将直接信誉意见与其他任务发布方的最新信誉意见进行集成,生成数据拥有方的综合信誉值,将其作为在联邦学习过程中选择可靠数据拥有方的重要指标;
任务发布方通过区块链中预先定义的访问控制策略,确保信誉意见的安全共享,其他任务发布方对信誉意见的访问都将保存在区块链中;
数据拥有方是收集、存储和处理数据的实体。数据拥有方负责收集来自工业物联网设备的数据,并存储在本地的数据库中;
在模型训练期间,每个数据拥有方根据任务发布方的全局模型参数和训练数据本地生成局部模型参数,并采用自适应差分隐私机制进行参数保护;
所有数据拥有方将各自的局部模型参数发送到区块链网络,让共识委员会进行本地模型参数验证,并做全局更新,以便更新下一轮的全局模型;
进一步的,在初始化模型和区块链网络,选择节点参与联邦学习任务的过程,具体包括:
通过历史声誉机制和联邦学习任务需求选择符合要求的工业互联网节点参与到本次的联邦学习任务中;
确认好参与节点之后,初始化区块链网络,并上传初始的联邦学习模型;
然后通过秘密分享的方式让工业物联网节点加入到区块链网络中;
进一步的,对任务发布方的节点信誉评估主要包括如下步骤:
首先对任务发布方的信誉评估,在本地分析其他任务发布方的信誉意见并依据区块链网络中交易情况,从而确定被评价任务发布方的行为特征;
建立行为特征矩阵C=[cij]n×m,其中n为特性的个数,m为特性中行为特征个数的最大值,不够的项用零补充;
为了便于计算和评估任务发布方行为,需要对矩阵C进行归一化处理,将其规范为[0,1]的特征矩阵,将同一特性下的特征按重要性做二元对比,获得初始判断矩阵EQ=[eqij]m×m。以服务特性为例,特征个数为4,特征矩阵Ep=[e1,e2,e3,e4],然后获得初始判断矩阵EQp
然后通过下面的式子将初始判断矩阵转化为模糊判断一致矩阵Qp=[qij]m×m
根据下面的式子计算服务特性下个特征的权重向量,从而得到wp=[wp1,wp2,wp3,wp4],同样可靠特性R的特征权重向量wR=[wR1,wR2,wR3]和特性权重向量Wf=[wp,wR];
由特征矩阵E=[eij]n×m,权重矩阵W=(wij)n×m,根据E×WT得到的矩阵对角线上的值就是任务发布方的特性评估值矩阵F=(f1,f2,…fn),最后,任务发布方的信誉值可以通过如下的公式表示为
进一步的,对联邦学习参与节点的本地模型过程,步骤如下:
任务发布方确认了参与节点之后,工业物联网首先从区块链网络上下载初始化的全局模型参数;
联邦节点使用本地工业物联网进行对应的模型训练工作;
所有设备在本地数据集上训练得到模型梯度,将其上传到区块链之前,需对梯度做隐私保护处理;
本地设备采用自适应差分隐私机制,可根据训练过程灵活调整裁剪阈值,以减小噪声对模型精度的负面影响,通过调整步长来加快收敛速度。其迭代更新计算式为
E[g2]t←(1-η)E[g2]t-1+η(gt)2
其中,θt代表第t轮训练时的模型参数,gt代表模型梯度α是学习速率,ε0确保除数不为零,一般定为10-8,E[g2]t用于估计历史梯度的累积平方。
利用先验知识E[g2]t-1预测本轮的全局梯度gt,并将其作为本轮的裁剪阈值Ct,即其中,β为本地剪裁因子,先验知识E[g2]t-1的计算式为
由于第一轮训练时先验知识不足,需要另外设一个先验阈值H。当训练初期E[g2]t-1<H时,将梯度建材与之区固定值C;当训练不断进行到E[g2]t-1≥H时,就令梯度剪裁阈值为综上所述,在第t轮训练中,设备i(1≤i≤K)在本地剪裁梯度gt,并添加噪声的过程可以表示为
根据多重主观逻辑的概念,将任务发布方i在Δt时间内对数据拥有方j的信誉评价表示为一个三元组γi→j={bi→j,di→j,ui→j}。bi→j是相信数据拥有方j服务质量的真实概率,di→j是认为数据拥有方服务是低质的概率,ui→j表示对数据拥有方j服务质量的不确定性,其中bi→j,di→j,ui→j∈(0,1)满足bi→j+di→j+ui→j=1;
进一步的,全局验证以及打包上链的过程如下:
联邦节点在本地训练好模型之后,上传到区块链;
随机选择一组节点组成联邦共识委员会;
委员会节点对本地模型的参数进行验证,验证时,会进行交叉多重验证,然后对模型参数质量比较好的进行评价,生成对应的评价意见;
当参数验证完毕之后,会对所有节点的模型参数进行聚合,使用联邦平局聚合算法进行聚合,并生成节点的信誉值和贡献度,采用节点贡献度(Proof of contribution)证明机制对参与节点给予激励,然后打包到区块链网络上;
打包上链之后,通过区块链网络进行全局更新,并让参与节点更新本地模型参数到下一轮的训练;
经过一定的训练轮次之后,任务发布方即可从区块链网络上下载最终的训练模型。
综上所述,本发明提供了一种基于区块链和联邦学习的工业物联网安全数据共享方法,首先,任务发布节点发布联邦学习任务并初始化区块链,创建创世块及联邦学习模型的初始化参数。然后,工业物联网节点先下载初始化模型,通过收集本地设备产生的数据来进行本地模型训练,在训练的过程中,为了保护本地数据的安全和隐私,采用自适应差分隐私机制来对模型参数进行保护,训练完成之后,通过交易上传到区块链网络上。区块链网络采用共识委员会对节点的本地参数进行验证,并采用声誉机制和模型质量来对参与节点进行度量,防止恶意节点的投毒攻击。最后,验证完成之后,采用联邦聚合算法融合模型参数,并打包到区块链网络上,参与节点和任务发布者即可更新全局模型。本方发明在保护参数隐私的同时降低了噪声和恶意节点对模型精度的影响。并且能够以较高的模型准确率实现数据共享和隐私保护。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,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是本发明的基于区块链和联邦学习的工业物联网安全数据共享方法的示意图;
图2是在一轮训练过程中,联邦节点上传和下载模型数据的流程示意图;
具体实施方式
下面将结合发明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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
如图1所示,一种基于区块链和联邦学习的工业物联网安全数据共享方法,该方法包括如下步骤:
S1、任务发布方主要由各种需要模型的物联网设备和机构组成,如工业物联网、无人驾驶汽车、家政服务机器人、医疗机构和安全监管部门等;
S2、根据步骤S1中,工业物联网中的任务发布方负责公开联邦学习任务的规范,如应用程序类型、设备类型、训练数据的类型与格式、学习模型的类型和计算要求等,并根据实际情况选择合适的数据拥有方;
S3、同时,任务发布方需要评估数据拥有方的局部模型质量,根据他们的评估结果生成信誉意见索引,然后制定相关的合约策略,并将信誉意见索引和合约策略一起上传到区块链服务平台,以供其他任务发布方在联邦学习中选择信誉较好的数据拥有方;
S4、区块链服务平台是存储信誉意见索引和合约策略的第三方平台,由一组具有足够计算和存储资源的节点维护;
S5、节点通过共识算法进行验证后,将接收到的信誉意见索引存储到数据块中;
S6、任务发布方将直接信誉意见与其他任务发布方的最新信誉意见进行集成,生成数据拥有方的综合信誉值,将其作为在联邦学习过程中选择可靠数据拥有方的重要指标;
S7、任务发布方通过区块链中预先定义的访问控制策略,确保信誉意见的安全共享,其他任务发布方对信誉意见的访问都将保存在区块链中;
S8、数据拥有方是收集、存储和处理数据的实体。数据拥有方负责收集来自工业物联网设备的数据,并存储在本地的数据库中;
S9、在模型训练期间,每个数据拥有方根据任务发布方的全局模型参数和训练数据本地生成局部模型参数,并采用自适应差分隐私机制进行参数保护;
S10、所有数据拥有方将各自的局部模型参数发送到区块链网络,让共识委员会进行本地模型参数验证,并做全局更新,以便更新下一轮的全局模型;
进一步的,所述的一种基于区块链和联邦学习的工业物联网安全数据共享方法,步骤S2的具体过程包括:
通过历史声誉机制和联邦学习任务需求选择符合要求的工业互联网节点参与到本次的联邦学习任务中;
确认好参与节点之后,初始化区块链网络,并上传初始的联邦学习模型;
然后通过秘密分享的方式让工业物联网节点加入到区块链网络中;
进一步的,所述的所述的一种基于区块链和联邦学习的工业物联网安全数据共享方法,步骤S3的具体步骤包括:
首先对任务发布方的信誉评估,在本地分析其他任务发布方的信誉意见并依据区块链网络中交易情况,从而确定被评价任务发布方的行为特征;
建立行为特征矩阵,其中为特性的个数,为特性中行为特征个数的最大值,不够的项用零补充;
为了便于计算和评估任务发布方行为,需要对矩阵进行归一化处理,将其规范为的特征矩阵,将同一特性下的特征按重要性做二元对比,获得初始判断矩阵。以服务特性为例,特征个数为4,特征矩阵,然后获得初始判断矩阵
然后通过下面的式子将初始判断矩阵转化为模糊判断一致矩阵Qp=[qij]m×m
根据下面的式子计算服务特性下个特征的权重向量,从而得到wp=[wp1,wp2,wp3,wp4],同样可靠特性R的特征权重向量wR=[wR1,wR2,wR3]和特性权重向量Wf=[wp,wR];
由特征矩阵E=[eij]n×m,权重矩阵W=(wij)n×m,根据E×WT得到的矩阵对角线上的值就是任务发布方的特性评估值矩阵F=(f1,f2,fn),最后,任务发布方的信誉值可以通过如下的公式表示为
进一步的,所述的一种基于区块链和联邦学习的工业物联网安全数据共享方法,步骤S8的具体过程包括:
任务发布方确认了参与节点之后,工业物联网首先从区块链网络上下载初始化的全局模型参数;
联邦节点使用本地工业物联网进行对应的模型训练工作;
所有设备在本地数据集上训练得到模型梯度,将其上传到区块链之前,需对梯度做隐私保护处理;
本地设备采用自适应差分隐私机制,可根据训练过程灵活调整裁剪阈值,以减小噪声对模型精度的负面影响,通过调整步长来加快收敛速度。其迭代更新计算式为
E[g2]t←(1-η)E[g2]t-1+η(gt)2
其中,θt代表第t轮训练时的模型参数,gt代表模型梯度α是学习速率,ε0确保除数不为零,一般定为10-8,E[g2]t用于估计历史梯度的累积平方;
利用先验知识预测本轮的全局梯度,并将其作为本轮的裁剪阈值,即,其中,为本地剪裁因子,先验知识的计算式为
E[g2]t-1←(1-γ)E[g2]t-2+γ(gt-1)2
由于第一轮训练时先验知识不足,需要另外设一个先验阈值。当训练初期时,将梯度建材与之区固定值C;当训练不断进行到时,就令梯度剪裁阈值为。综上所述,在第t轮训练中,设备在本地剪裁梯度,并添加噪声的过程可以表示为
根据多重主观逻辑的概念,将任务发布方i在Δt时间内对数据拥有方j的信誉评价表示为一个三元组γi→j={bi→j,di→j,ui→j}。bi→j是相信数据拥有方j服务质量的真实概率,di→j是认为数据拥有方服务是低质的概率,ui→j表示对数据拥有方j服务质量的不确定性,其中bi→j,di→j,ui→j∈(0,1)满足bi→j+di→j+ui→j=1;
进一步的,所述的一种基于区块链和联邦学习的工业物联网安全数据共享方法,步骤S10的具体过程包括:
联邦节点在本地训练好模型之后,上传到区块链;
随机选择一组节点组成联邦共识委员会;
委员会节点对本地模型的参数进行验证,验证时,会进行交叉多重验证,然后对模型参数质量比较好的进行评价,生成对应的评价意见;
当参数验证完毕之后,会对所有节点的模型参数进行聚合,使用联邦平局聚合算法进行聚合,并生成节点的信誉值和贡献度,采用节点贡献度(Proof of contribution)证明机制对参与节点给予激励,然后打包到区块链网络上;
打包上链之后,通过区块链网络进行全局更新,并让参与节点更新本地模型参数到下一轮的训练;
经过一定的训练轮次之后,任务发布方即可从区块链网络上下载最终的训练模型。
Claims (5)
1.一种基于区块链和联邦学习的工业物联网安全数据共享方法,包括如下步骤:
S1、任务发布方主要由各种需要模型的物联网设备和机构组成,如工业物联网、无人驾驶汽车、家政服务机器人、医疗机构和安全监管部门等;
S2、根据步骤S1中,工业物联网中的任务发布方负责公开联邦学习任务的规范,如应用程序类型、设备类型、训练数据的类型与格式、学习模型的类型和计算要求等,并根据实际情况选择合适的数据拥有方;
S3、同时,任务发布方需要评估数据拥有方的局部模型质量,根据他们的评估结果生成信誉意见索引,然后制定相关的合约策略,并将信誉意见索引和合约策略一起上传到区块链服务平台,以供其他任务发布方在联邦学习中选择信誉较好的数据拥有方;
S4、区块链服务平台是存储信誉意见索引和合约策略的第三方平台,由一组具有足够计算和存储资源的节点维护;
S5、节点通过共识算法进行验证后,将接收到的信誉意见索引存储到数据块中;
S6、任务发布方将直接信誉意见与其他任务发布方的最新信誉意见进行集成,生成数据拥有方的综合信誉值,将其作为在联邦学习过程中选择可靠数据拥有方的重要指标;
S7、任务发布方通过区块链中预先定义的访问控制策略,确保信誉意见的安全共享,其他任务发布方对信誉意见的访问都将保存在区块链中;
S8、数据拥有方是收集、存储和处理数据的实体。数据拥有方负责收集来自工业物联网设备的数据,并存储在本地的数据库中;
S9、在模型训练期间,每个数据拥有方根据任务发布方的全局模型参数和训练数据本地生成局部模型参数,并采用自适应差分隐私机制进行参数保护;
S10、所有数据拥有方将各自的局部模型参数发送到区块链网络,让共识委员会进行本地模型参数验证,并做全局更新,以便更新下一轮的全局模型。
2.根据权利要求1所述的一种基于区块链和联邦学习的工业物联网安全数据共享方法,步骤S2的具体过程包括:
S21、通过历史声誉机制和联邦学习任务需求选择符合要求的工业互联网节点参与到本次的联邦学习任务中;
S22、确认好参与节点之后,初始化区块链网络,并上传初始的联邦学习模型;
S23、然后通过秘密分享的方式让工业物联网节点加入到区块链网络中。
3.根据权利要求1中所述的所述的一种基于区块链和联邦学习的工业物联网安全数据共享方法,步骤S3的具体步骤包括:
S31、首先对任务发布方的信誉评估,在本地分析其他任务发布方的信誉意见并依据区块链网络中交易情况,从而确定被评价任务发布方的行为特征;
S32、建立行为特征矩阵C=[cij]n×m,其中n为特性的个数,m为特性中行为特征个数的最大值,不够的项用零补充;
S33、为了便于计算和评估任务发布方行为,需要对矩阵C进行归一化处理,将其规范为[0,1]的特征矩阵,将同一特性下的特征按重要性做二元对比,获得初始判断矩阵EQ=[eqij]m×m。以服务特性为例,特征个数为4,特征矩阵Ep=[e1,e2,e3,e4],然后获得初始判断矩阵EQp
S34、然后通过下面的式子将初始判断矩阵转化为模糊判断一致矩阵Qp=[qij]m×m
S35、根据下面的式子计算服务特性下个特征的权重向量,从而得到wp=[wp1,wp2,wp3,wp4],同样可靠特性R的特征权重向量wR=[wR1,wR2,wR3]和特性权重向量Wf=[wp,wR];
S36、由特征矩阵E=[eij]n×m,权重矩阵W=(wij)n×m,根据E×WT得到的矩阵对角线上的值就是任务发布方的特性评估值矩阵F=(f1,f2,…fn),最后,任务发布方的信誉值可以通过如下的公式表示为
4.根据权利要求1所述的一种基于区块链和联邦学习的工业物联网安全数据共享方法,步骤S8的具体过程包括:
S81、任务发布方确认了参与节点之后,工业物联网首先从区块链网络上下载初始化的全局模型参数;
S82、联邦节点使用本地工业物联网进行对应的模型训练工作;
S83、所有设备在本地数据集上训练得到模型梯度,将其上传到区块链之前,需对梯度做隐私保护处理;
S84、本地设备采用自适应差分隐私机制,可根据训练过程灵活调整裁剪阈值,以减小噪声对模型精度的负面影响,通过调整步长来加快收敛速度。其迭代更新计算式为E[g2]t←(1-η)E[g2]t-1+η(gt)2
其中,θt代表第t轮训练时的模型参数,gt代表模型梯度α是学习速率,ε0确保除数不为零,一般定为10-8,E[g2]t用于估计历史梯度的累积平方。
S85、利用先验知识E[g2]t-1预测本轮的全局梯度gt,并将其作为本轮的裁剪阈值Ct,即其中,β为本地剪裁因子,先验知识E[g2]t-1的计算式为
E[g2]t-1←(1-γ)E[g2]t-2+γ(gt-1)2
S86、由于第一轮训练时先验知识不足,需要另外设一个先验阈值H。当训练初期E[g2]t-1<H时,将梯度建材与之区固定值C;当训练不断进行到E[g2]t-1≥H时,就令梯度剪裁阈值为综上所述,在第t轮训练中,设备i(1≤i≤K)在本地剪裁梯度gt,并添加噪声的过程可以表示为
S87、根据多重主观逻辑的概念,将任务发布方i在Δt时间内对数据拥有方j的信誉评价表示为一个三元组γi→j={bi→j,di→j,ui→j}。bi→j是相信数据拥有方j服务质量的真实概率,di→j是认为数据拥有方服务是低质的概率,ui→j表示对数据拥有方j服务质量的不确定性。其中bi→j,di→j,ui→j∈(0,1)满足bi→j+di→j+ui→j=1。
5.根据权利要求1所述的一种基于区块链和联邦学习的工业物联网安全数据共享方法,步骤S10的具体过程包括:
S101、联邦节点在本地训练好模型之后,上传到区块链;
S102、随机选择一组节点组成联邦共识委员会;
S103、委员会节点对本地模型的参数进行验证,验证时,会进行交叉多重验证,然后对模型参数质量比较好的进行评价,生成对应的评价意见;
S104、当参数验证完毕之后,会对所有节点的模型参数进行聚合,使用联邦平局聚合算法进行聚合,并生成节点的信誉值和贡献度,采用节点贡献度(Proof of contribution)证明机制对参与节点给予激励,然后打包到区块链网络上;
S105、打包上链之后,通过区块链网络进行全局更新,并让参与节点更新本地模型参数到下一轮的训练;
S106、经过一定的训练轮次之后,任务发布方即可从区块链网络上下载最终的训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211551043.XA CN117421779A (zh) | 2022-12-05 | 2022-12-05 | 一种基于区块链和联邦学习的工业物联网安全数据共享方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211551043.XA CN117421779A (zh) | 2022-12-05 | 2022-12-05 | 一种基于区块链和联邦学习的工业物联网安全数据共享方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117421779A true CN117421779A (zh) | 2024-01-19 |
Family
ID=89528966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211551043.XA Pending CN117421779A (zh) | 2022-12-05 | 2022-12-05 | 一种基于区块链和联邦学习的工业物联网安全数据共享方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421779A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117792800A (zh) * | 2024-02-28 | 2024-03-29 | 四川合佳科技有限公司 | 一种基于物联网安全评估系统的信息验证方法及系统 |
-
2022
- 2022-12-05 CN CN202211551043.XA patent/CN117421779A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117792800A (zh) * | 2024-02-28 | 2024-03-29 | 四川合佳科技有限公司 | 一种基于物联网安全评估系统的信息验证方法及系统 |
CN117792800B (zh) * | 2024-02-28 | 2024-05-03 | 四川合佳科技有限公司 | 一种基于物联网安全评估系统的信息验证方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931242B (zh) | 一种数据共享方法以及应用其的计算机设备及可读存储介质 | |
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 | |
Chai et al. | Proof-of-reputation based-consortium blockchain for trust resource sharing in internet of vehicles | |
CN110288094A (zh) | 基于联邦学习的模型参数训练方法及装置 | |
Hassija et al. | Secure lending: Blockchain and prospect theory-based decentralized credit scoring model | |
Song et al. | Blockchain-based flexible double-chain architecture and performance optimization for better sustainability in agriculture | |
CN117421779A (zh) | 一种基于区块链和联邦学习的工业物联网安全数据共享方法 | |
CN112053164A (zh) | 一种基于区块链的电子商务数据处理方法及系统 | |
CN117235692B (zh) | 一种基于Web3的软件供应链风险治理系统、方法和平台 | |
CN112581026B (zh) | 一种联盟链上物流机器人联合路径规划方法 | |
Hu et al. | Application of Data Mining Combined with Fuzzy Multicriteria Decision‐Making in Credit Risk Assessment from Legal Service Companies | |
CN113378183B (zh) | 基于多方安全计算的用户隐私保护方法、装置和系统 | |
Shah | A systematic review on blockchain in iot | |
Muñoz et al. | Estimation of the lifespan of agricultural tractor using a diffusion model at the aggregate level | |
Zhao et al. | Block chain financial transaction using artificial neural network deep learning | |
Dong et al. | Blockchain-Assisted Reputation Mechanism for Distributed Cloud Storage | |
Patel et al. | An exploration to blockchain-based deep learningframework | |
Jayakumar et al. | Design of mutual trust between the IoT nodes using adaptive network-based fuzzy inference system in edge computing systems | |
Wang et al. | Risk assessment of supply chain based on BP neural network | |
Mutingi | Adoption of renewable energy technologies: a fuzzy system dynamics perspective | |
CN115834247B (zh) | 一种基于区块链的边缘计算信任评价方法 | |
Kumar et al. | Comparative analysis of software reliability predictions using statistical and machine learning methods | |
Cheng et al. | Implementation of a back-propagation neural network for demand forecasting in a supply chain-a practical case study | |
Wu | Design and Optimization Method of Intelligent Interconnection Decision System Based on Blockchain Technology | |
Chung | Blockchain-based methodology for confidential and traceable collaborative risk assessment |
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 |