FR3103040A1 - METHOD AND DEVICE FOR SECURE MANAGEMENT OF AN IMAGE BANK FOR AIRCRAFT LANDING ASSISTANCE - Google Patents
METHOD AND DEVICE FOR SECURE MANAGEMENT OF AN IMAGE BANK FOR AIRCRAFT LANDING ASSISTANCE Download PDFInfo
- Publication number
- FR3103040A1 FR3103040A1 FR1912479A FR1912479A FR3103040A1 FR 3103040 A1 FR3103040 A1 FR 3103040A1 FR 1912479 A FR1912479 A FR 1912479A FR 1912479 A FR1912479 A FR 1912479A FR 3103040 A1 FR3103040 A1 FR 3103040A1
- Authority
- FR
- France
- Prior art keywords
- data
- image
- validation
- aircraft
- validated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000010200 validation analysis Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 13
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 9
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000010006 flight Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 241000135309 Processus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D45/04—Landing aids; Safety measures to prevent collision with earth's surface
- B64D45/08—Landing aids; Safety measures to prevent collision with earth's surface optical
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/12—Applying verification of the received information
- H04L63/126—Applying verification of the received information the source of the received data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Abstract
L’invention concerne un procédé mis en œuvre par ordinateur et un dispositif pour la gestion sécurisée d’une banque d’images pour l’aide à l’atterrissage d’aéronef. Le procédé comprend au moins des étapes de :- recevoir des données capteurs, les données étant relatives à au moins une image collectée par au moins un capteur équipant un aéronef, ledit aéronef faisant partie d’une communauté de fournisseurs d’images comprenant une pluralité d’aéronefs, chaque image capteur collectée étant étiquetée avec au moins des informations d’horodatage et d’identification du fournisseur d’images, et un moyen de valider l’intégrité des données ; - valider l’intégrité des données reçues selon un processus de validation par consensus distribué ;- créer un bloc de données validé, si l’intégrité des données est validée, ledit bloc validé comprenant au moins un lien vers lesdites données capteurs ; et- mettre à disposition le bloc de données validé dans un réseau de registres distribués. Figure pour l’abrégé : Fig.7 The invention relates to a computer-implemented method and a device for the secure management of an image bank for aircraft landing assistance. The method comprises at least steps of:- receiving sensor data, the data relating to at least one image collected by at least one sensor fitted to an aircraft, said aircraft being part of a community of image providers comprising a plurality aircraft, each collected sensor image being labeled with at least timestamp information and identification of the image provider, and a means of validating the integrity of the data; - validating the integrity of the data received according to a validation process by distributed consensus; - creating a validated data block, if the integrity of the data is validated, said validated block comprising at least one link to said sensor data; and- making the validated data block available in a network of distributed registers. Figure for the abstract: Fig.7
Description
L’invention concerne un procédé et un dispositif de gestion sécurisée d’une banque d’images utilisées par les systèmes d’aide à l’atterrissage des aéronefs. Le domaine d’exploitation principal de l’invention est celui des systèmes d’aide à l’atterrissage dits EVS (« Enhanced Vision System » en anglais) basés sur des caméras ou capteurs d’imagerie électro-optique, infra-rouge ou radar pour filmer l’environnement aéroportuaire lors de l’atterrissage d’un aéronef.The invention relates to a method and a device for the secure management of a bank of images used by aircraft landing aid systems. The main field of application of the invention is that of so-called EVS ("Enhanced Vision System") landing assistance systems based on electro-optical, infrared or radar imaging cameras or sensors. to film the airport environment during the landing of an aircraft.
L’invention adresse le problème général de l’aide à l’atterrissage d’aéronefs sur une piste d’atterrissage, par conditions de visibilité réduite, en particulier à cause de conditions météorologiques difficiles, par exemple en cas de brouillard. Les normes imposent des règles d’obtention de visibilité pendant la phase d’atterrissage. Ces règles se traduisent par des seuils de décision qui se réfèrent à l’altitude de l’avion lors de sa phase de descente. A chacun de ces seuils, des repères visuels identifiés doivent être obtenus pour poursuivre la manœuvre d’atterrissage, sans quoi elle doit être abandonnée. Les manœuvres d’atterrissage abandonnées représentent un réel problème pour la gestion du trafic aérien et pour la planification des vols. Il faut estimer avant le décollage la capacité à pouvoir atterrir à destination sur la base de prévisions météorologiques, plus ou moins fiables, et le cas échéant prévoir des solutions de repli.The invention addresses the general problem of aiding the landing of aircraft on a landing strip, in conditions of reduced visibility, in particular because of difficult meteorological conditions, for example in the event of fog. The standards impose rules for obtaining visibility during the landing phase. These rules translate into decision thresholds which refer to the altitude of the aircraft during its descent phase. At each of these thresholds, identified visual cues must be obtained to continue the landing manoeuvre, otherwise it must be abandoned. Abandoned landing maneuvers represent a real problem for air traffic management and flight planning. It is necessary to estimate before take-off the capacity to be able to land at the destination on the basis of weather forecasts, more or less reliable, and if necessary provide fallback solutions.
Le problème de l’atterrissage des aéronefs par conditions de visibilité réduite a fait l’objet du développement de plusieurs techniques qui sont actuellement utilisées.The problem of landing aircraft in conditions of reduced visibility has been the subject of the development of several techniques that are currently in use.
L’une de ces techniques est le système d’atterrissage aux instruments ILS (« Instrument Landing System » en anglais). Le système ILS repose sur plusieurs équipements de radiofréquence installés au sol, au niveau de la piste d’atterrissage, et un instrument compatible placé à bord de l’aéronef. L’utilisation d’un tel système de guidage requiert des équipements onéreux et une qualification spécifique des pilotes. Il ne peut par ailleurs pas être installé sur tous les aéroports. Ce système n’est pas généralisé et il sera dans l’avenir probablement décommissionné.One such technique is the Instrument Landing System (ILS). The ILS system is based on several radio frequency equipment installed on the ground, at the level of the landing strip, and a compatible instrument placed on board the aircraft. The use of such a guidance system requires expensive equipment and specific pilot qualifications. Furthermore, it cannot be installed at all airports. This system is not generalized and it will probably be decommissioned in the future.
Une autre alternative est l’aide à l’atterrissage par GPS (« Global Positioning System » en anglais). Bien qu’ayant une précision suffisante, la fiabilité de cette solution est trop faible puisqu’elle peut facilement – intentionnellement ou non – être sujette au brouillage. Aussi, son intégrité n’est pas garantie.Another alternative is the Global Positioning System (GPS) landing aid. Although having sufficient accuracy, the reliability of this solution is too low since it can easily – intentionally or not – be subject to jamming. Also, its integrity is not guaranteed.
Une technique de vision augmentée EVS est également employée. Le principe est d’utiliser des senseurs plus performants que l’œil du pilote par conditions météorologiques dégradées, et d’incruster les informations collectées par les senseurs dans le champ de vision du pilote, par le biais d’un affichage tête haute ou sur la visière d’un casque porté par le pilote. Cette technique repose essentiellement sur l’emploi de capteurs pour détecter le rayonnement des lampes disposées le long de la piste et sur la rampe d’approche. Les lampes à incandescence produisent de la lumière visible mais elles émettent aussi dans le domaine infrarouge. Des capteurs dans le domaine infrarouge permettent de détecter ces rayonnements et la portée de détection est meilleure que celle de l’être humain dans le domaine visible, lors de conditions météorologiques dégradées. Une amélioration de la visibilité permet donc dans une certaine mesure d’améliorer les phases d’approche et de limiter les approches abandonnées. Toutefois, cette technique repose sur le rayonnement infrarouge parasite des lampes présentes au voisinage de la piste. Pour des soucis de durabilité des lampes, la tendance actuelle est au remplacement des lampes à incandescence par les lampes à LED. Ces dernières ont un spectre moins étendu dans le domaine infrarouge. Un effet collatéral est donc de provoquer une obsolescence technique des systèmes EVS à base de capteurs infrarouge.An augmented vision technique EVS is also used. The principle is to use sensors that perform better than the pilot's eye in degraded meteorological conditions, and to embed the information collected by the sensors in the pilot's field of vision, through a head-up display or on the visor of a helmet worn by the pilot. This technique is essentially based on the use of sensors to detect the radiation from lamps placed along the runway and on the approach ramp. Incandescent lamps produce visible light but they also emit in the infrared range. Sensors in the infrared domain make it possible to detect this radiation and the detection range is better than that of a human being in the visible domain, during degraded meteorological conditions. An improvement in visibility therefore makes it possible to some extent to improve the approach phases and to limit abandoned approaches. However, this technique is based on the parasitic infrared radiation of the lamps present in the vicinity of the track. For lamp durability concerns, the current trend is to replace incandescent lamps with LED lamps. The latter have a narrower spectrum in the infrared range. A collateral effect is therefore to cause technical obsolescence of EVS systems based on infrared sensors.
Une alternative aux senseurs infrarouges est l’obtention d’images par un senseur radar, en bande centimétrique ou millimétrique. Certaines bandes de fréquence choisies en dehors des pics d’absorption de la vapeur d’eau présentent une sensibilité très faible aux conditions météorologiques difficiles. De tels senseurs permettent donc de produire une image au travers de brouillard par exemple. Cependant, même si ces capteurs ont une résolution en distance fine, ils présentent une résolution angulaire bien plus grossière que les solutions optiques. La résolution est directement liée à la taille des antennes utilisées, et elle est souvent trop grossière pour obtenir un positionnement précis de la piste d’atterrissage à une distance suffisante pour effectuer les manœuvres de recalage.An alternative to infrared sensors is to obtain images by a radar sensor, in centimeter or millimeter band. Certain frequency bands chosen outside the water vapor absorption peaks have a very low sensitivity to harsh weather conditions. Such sensors therefore make it possible to produce an image through fog for example. However, even if these sensors have a fine distance resolution, they have a much coarser angular resolution than optical solutions. The resolution is directly related to the size of the antennas used, and it is often too coarse to obtain an accurate positioning of the landing strip at a sufficient distance to perform the registration maneuvers.
Quelle que soit la méthode (EVS, Radar) utilisée dans un système d’aide à l’atterrissage, il y a toujours un traitement d’images pour permettre le déroulement des procédures de vols qui utilisent ces capteurs pour aider l’équipage à se positionner par rapport à la piste d’atterrissage ou au terrain de posé.Whatever the method (EVS, Radar) used in a landing aid system, there is always image processing to allow the execution of flight procedures that use these sensors to help the crew position relative to the airstrip or landing field.
Les traitements d’images actuels sont liés à une typologie d’image particulière à chaque senseur, et sont effectués a priori, par calibration et expérience. Or, les traitements d’images sont calibrés sur la base de quelques aéroports uniquement.Current image processing is linked to a particular type of image for each sensor, and is carried out a priori, by calibration and experience. However, image processing is calibrated on the basis of only a few airports.
Dans certains cas, des vols sont effectués par temps clair en journée pour calibrer les capteurs en question. Cependant compte-tenu du coût des vols pour générer des images, le nombre de vols reste très limité et par conséquent la banque d’images qui regroupe l’ensemble des images collectées reste de taille réduite.In some cases, flights are carried out in clear weather during the day to calibrate the sensors in question. However, given the cost of flights to generate images, the number of flights remains very limited and therefore the image bank which includes all the images collected remains small.
Par ailleurs, la banque d’images reste incomplète car elle ne prend pas en compte la diversité des situations météorologiques, la variabilité de l’environnement (comme la présence d’obstacles temporaires par exemple), et elle n’est de surcroit pas exhaustive sur terre.Moreover, the image bank remains incomplete because it does not take into account the diversity of meteorological situations, the variability of the environment (such as the presence of temporary obstacles for example), and it is moreover not exhaustive. on earth.
Il en résulte alors une fiabilité réduite des calculateurs de pilotage ou d’affichage qui utilisent de l’imagerie pour les opérations aériennes.This then results in reduced reliability of the piloting or display computers that use imagery for aerial operations.
Il existe donc un besoin d’améliorer les traitements d’images pour les opérations aériennes, en augmentant le volume de données de la banque d’images afin d’atteindre un seuil de fiabilité requis tant en termes de précision qu’en termes de couverture géographique.There is therefore a need to improve image processing for air operations, by increasing the volume of data from the image bank in order to reach a required reliability threshold both in terms of precision and in terms of coverage. geographical.
Plus généralement, un but de l’invention est l’obtention d’une masse critique d’images issues de capteurs embarqués sur des aéronefs participant à une communauté de fournisseurs d’images, qu’il s’agisse d’images dans le visible, dans l’infra-rouge ou d’images radar. La masse critique d’images doit être suffisante pour que des traitements d’image puissent fonctionner avec une fiabilité qui permette d’améliorer la sécurité des opérations aéronautiques basées sur l’utilisation de tels senseurs.More generally, an object of the invention is to obtain a critical mass of images from sensors on board aircraft participating in a community of image providers, whether images in the visible , infrared or radar images. The critical mass of images must be sufficient for image processing to operate with a reliability that improves the safety of aeronautical operations based on the use of such sensors.
Un autre but de l’invention vise à répondre au besoin d’encourager la participation à l’enrichissement d’une telle banque d’images. Ce but est atteint par la mise en place de mécanismes de rétribution juste et certaine des contributeurs qui fournissent les images ou qui fournissent les processus permettant les traitements des images. En effet, un autre frein à l’amélioration du contenu de la banque d’images est le faible taux de contributeurs et il existe le besoin d’inciter tout acteur à participer à cette mise à jour des données d’images qu’ils produisent ou qu’ils utilisent, de manière collaborative et sans intermédiaire. Les acteurs créateurs et/ou gestionnaires de données d’images peuvent être assez variés incluant de manière non limitative, des fournisseurs de capteurs d’image, des avionneurs, des spécialistes du traitement d’images, des états (concepteurs de procédures de navigation), des chercheurs, des compagnies aériennes.Another object of the invention aims to meet the need to encourage participation in the enrichment of such an image bank. This goal is achieved by setting up fair and certain compensation mechanisms for the contributors who provide the images or who provide the processes allowing the processing of the images. Indeed, another obstacle to improving the content of the image bank is the low rate of contributors and there is a need to encourage all players to participate in this update of the image data they produce. or that they use, in a collaborative way and without intermediary. The actors who create and/or manage image data can be quite varied including, but not limited to, image sensor suppliers, aircraft manufacturers, image processing specialists, states (designers of navigation procedures) , researchers, airlines.
Au-delà de la question d’une rétribution inexistante pour un fournisseur d’images, une des raisons de la faible participation actuelle est liée à la question du risque de l’utilisation d’images dont la provenance n’est pas certaine et/ou dont la fiabilité n’est pas validée. Aussi, il existe le besoin de mécanismes de validation sûrs des données en provenance d’un fournisseur d’images, la validation certaine devant porter au moins sur la date d’obtention et de mise à disposition des images, et sur l’authentification de l’émetteur.Beyond the question of non-existent compensation for an image supplier, one of the reasons for the current low participation is linked to the question of the risk of using images whose provenance is not certain and/ or whose reliability is not validated. Also, there is a need for secure validation mechanisms for data from an image supplier, the certain validation having to relate at least to the date of obtaining and making the images available, and to the authentication of the transmitter.
Ainsi, un objet de l’invention est de pallier les inconvénients des techniques connues.Thus, an object of the invention is to overcome the drawbacks of the known techniques.
A cet effet, l’invention a pour objet de répondre aux besoins précités en proposant une solution de gestion sécurisée d’une banque d’images pour des opérations aériennes, notamment pour l’aide à l’atterrissage des aéronefs.
Pour obtenir les résultats recherchés, il est proposé un procédé mis en œuvre par ordinateur pour la gestion sécurisée d’une banque d’images pour l’aide à l’atterrissage d’aéronef, le procédé comportant au moins des étapes de :
recevoir des données capteurs, les données étant relatives à au moins une image collectée par au moins un capteur équipant un aéronef, ledit aéronef faisant partie d’une communauté de fournisseurs d’images comprenant une pluralité d’aéronefs, chaque image capteur collectée étant étiquetée avec au moins des informations d’horodatage et d’identification du fournisseur d’images, et un moyen de valider l’intégrité des données ;
- valider l’intégrité des données reçues selon un processus de validation par consensus distribué ;
- créer un bloc de données validé, si l’intégrité des données est validée, ledit bloc validé comprenant au moins un lien vers lesdites données capteurs ; et
- mettre à disposition le bloc de données validé dans un réseau de registres distribués.
- Selon des modes de réalisation alternatifs ou combinés :
- l’étape de validation par consensus distribué consiste à mettre en œuvre un algorithme de consensus pour faire valider l’intégrité des données par au moins deux fournisseurs d’images parmi la communauté des fournisseurs d’images.
- l’étape de validation par consensus distribué comprend une étape de vérification de la qualité des images capteurs via des règles de validation dépendant des fournisseurs d’images.
- les données comprennent de plus un résumé de contenu et des données additionnelles relatives à, notamment la météo, l’état de systèmes de navigation au moment des prises de vue, la position 3D de l’aéronef au moment du toucher sur la piste, la position 3D et l’orientation 3D de l’aéronef par rapport à la terre et/ou du capteur ayant pris la/les images.
- le procédé comprend après l’étape de réception des données, une étape de stocker les données capteurs dans une base de données d’images capteurs, et où l’étape de validation se fait sur les données stockées.
- le réseau de registres distribués est une chaîne de blocs comprenant une pluralité de nœuds.
- l’étape de validation par consensus distribué est interne à la chaîne de blocs et consiste en une preuve de travail, et l’étape de mise à disposition dudit bloc validé consiste à ajouter ledit bloc validé à la chaîne de blocs.
- l’étape de validation par consensus distribué comprend de plus une étape de rétribution du ou des nœuds de la chaîne de blocs contributeur(s) à la validation.
- l’étape de rétribution consiste à accorder un score synthétique VS à un nœud de la chaîne de bloc qui est contributeur à la validation.
- l’étape de validation par consensus distribué est effectuée par un code logiciel appelé contrat intelligent stocké sur et exécuté par la chaîne de blocs.
- le procédé comprend de plus une étape consistant à utiliser les données capteurs validées pour entrainer des algorithmes d’apprentissage automatique et générer des modèles algorithmes de traitement d’images entrainés.
- l’apprentissage automatique se fait sur des réseaux de neurones profonds, notamment des réseaux de type réseau neuronal convolutif CNN ou de type réseau antagoniste génératif GNN.
- le procédé comprend de plus une étape de stocker les modèles d’algorithmes de traitement d’images entrainés dans une base de données d’algorithmes de traitement d’images entrainés et/ou une étape d’écrire les modèles dans une chaîne de blocs.
- l’étape d’écrire consiste à écrire un hash dans la chaîne de blocs.
- le procédé comprend de plus une étape d’envoi d’un ou plusieurs modèles d’algorithmes de traitement d’images entrainés vers une entité consommateur ayant émis une requête d’utilisation de modèle.
- la requête d’utilisation est un ordre d’achat passé sur la chaîne de blocs où sont écrits les modèles, ou est faite par un contrat intelligent auquel l’entité consommateur est abonnée.
- l’étape d’envoi consiste à envoyer une clef de décryptage pour un modèle d’algorithme requis.
- le procédé comprend de plus une étape de vérification de la capacité de l’entité consommateur à recevoir le ou les modèles requis.
- le procédé comprend de plus une étape de rétribution de type VS pour une entité consommateur qui participe à la validation de données capteurs.
To obtain the desired results, a computer-implemented method is proposed for the secure management of an image bank for aircraft landing assistance, the method comprising at least the steps of:
receive sensor data, the data relating to at least one image collected by at least one sensor fitted to an aircraft, said aircraft being part of a community of image providers comprising a plurality of aircraft, each sensor image collected being labeled with at least timestamp and image provider identification information, and means for validating data integrity;
- validate the integrity of the received data according to a distributed consensus validation process;
- creating a validated data block, if the integrity of the data is validated, said validated block comprising at least one link to said sensor data; And
- making the validated data block available in a network of distributed registers.
- According to alternative or combined embodiments:
the step of validation by distributed consensus consists in implementing a consensus algorithm to have the integrity of the data validated by at least two image providers from among the community of image providers.
- the step of validation by distributed consensus includes a step of checking the quality of the sensor images via validation rules depending on the image suppliers.
- the data also includes a summary of content and additional data relating to, in particular, the weather, the state of the navigation systems at the time of the shots, the 3D position of the aircraft at the time of touchdown on the runway, the 3D position and the 3D orientation of the aircraft relative to the earth and/or of the sensor having taken the image(s).
- the method comprises, after the step of receiving the data, a step of storing the sensor data in a database of sensor images, and where the validation step is carried out on the stored data.
- the distributed ledger network is a chain of blocks comprising a plurality of nodes.
- the step of validation by distributed consensus is internal to the chain of blocks and consists of a proof of work, and the step of making said validated block available consists of adding said validated block to the chain of blocks.
- the step of validation by distributed consensus also includes a step of rewarding the node or nodes of the block chain contributor(s) to the validation.
- the reward step consists in granting a synthetic score VS to a node of the block chain which is a contributor to the validation.
- the distributed consensus validation step is performed by software code called a smart contract stored on and executed by the blockchain.
- the method further comprises a step consisting in using the validated sensor data to train automatic learning algorithms and to generate trained image processing algorithm models.
- automatic learning is done on deep neural networks, in particular networks of the CNN convolutional neural network type or of the GNN generative antagonistic network type.
- the method further comprises a step of storing the trained image processing algorithm models in a trained image processing algorithm database and/or a step of writing the models into a blockchain .
- the write step consists of writing a hash in the blockchain.
- the method further comprises a step of sending one or more models of trained image processing algorithms to a consumer entity having issued a model use request.
- the usage request is a purchase order placed on the blockchain where the models are written, or is made by a smart contract to which the consumer entity is subscribed.
- the sending step consists of sending a decryption key for a required algorithm model.
- the method further comprises a step of verifying the ability of the consumer entity to receive the required model or models.
the method also comprises a VS-type compensation step for a consumer entity which participates in the validation of sensor data.
Avantageusement, l’invention met en œuvre des mécanismes d’horodatage sûrs pour la mise à disposition dans une base de données d’images capteurs géo-référencées, de nouvelles images capteurs prises pendant des vols par une pluralité d’aéronefs dits « fournisseurs d’images », chaque image étant associée à des paramètres du vol correspondant, et notamment les paramètres de position 3D et d’orientation 3D de l’appareil au moment de la prise de vue.Advantageously, the invention implements secure timestamping mechanisms for making available in a database of geo-referenced sensor images, new sensor images taken during flights by a plurality of so-called "provider" aircraft. 'images', each image being associated with parameters of the corresponding flight, and in particular the parameters of 3D position and 3D orientation of the device at the time of shooting.
Avantageusement, la validation des images à ajouter à la banque d’images est une validation par consensus. Notamment, la validation des images comprend la vérification de la qualité des images capteurs qui doivent être mises à disposition dans la base, et qui est faite via des règles de validation dépendant des fournisseurs d’images. En particulier, les règles de validation dépendent de la qualité de chaque fournisseur d’images, la qualité couvrant la qualité des aéronefs et des membres d’équipage par exemple pour des procédures. Avantageusement, les règles de validation peuvent aussi prendre en compte la qualité d’acteurs spécialistes du traitement d’image qui peuvent valider également la qualité des prises de vue et leur utilité pour entraîner des algorithmes de traitement d’image.Advantageously, the validation of the images to be added to the image bank is a validation by consensus. In particular, image validation includes checking the quality of the sensor images that must be made available in the database, and which is done via validation rules depending on the image suppliers. In particular, the validation rules depend on the quality of each image supplier, the quality covering the quality of aircraft and crew members for example for procedures. Advantageously, the validation rules can also take into account the quality of actors specializing in image processing who can also validate the quality of the shots and their usefulness for training image processing algorithms.
Avantageusement, les images mises à disposition dans la base de données d’images capteurs peuvent être utilisées pour entrainer différents algorithmes d’intelligence artificielle pour classifier les images, notamment par des réseaux de neurones profonds ou « Deep Learning » en anglais.Advantageously, the images made available in the sensor image database can be used to train various artificial intelligence algorithms to classify the images, in particular by deep neural networks or "Deep Learning" in English.
Avantageusement, la base de données d’images capteurs telle que constituée selon les principes de l’invention peut être utilisée pour développer des algorithmes de traitement d’images entrainés robustes et produire une base de données d’algorithmes entrainés, l’entrainement desdits algorithmes étant variable selon les fournisseurs des images capteurs.Advantageously, the database of sensor images as constituted according to the principles of the invention can be used to develop robust trained image processing algorithms and to produce a database of trained algorithms, the training of said algorithms being variable according to the suppliers of the sensor images.
La base de données d’images capteurs peut être utilisée pour valider la robustesse ou la faiblesse de différents algorithmes vis-à-vis de scénarios (« use cases » en anglais) considérés comme problématiques, en permettant de faire tourner en parallèle les différents algorithmes sur le jeu de données déjà présent dans la base d’images et de détecter sur les résultats fournis des écarts trop importants entre les différents algorithmes.
La présente invention trouvera de nombreux domaines d’application et notamment des applications pour la détection :
- de piste, de contour de piste, de rampe lumineuse, de lampes d’approche ;
- d’obstacles aux abords du sol, de bâtiments au roulage, de véhicules ou de personnes ;
- d’oiseaux, de tout type de drones ;
- de lignes électriques.The sensor image database can be used to validate the robustness or weakness of different algorithms with respect to scenarios (“use cases” in English) considered problematic, by allowing the different algorithms to be run in parallel on the data set already present in the image database and to detect excessive differences between the different algorithms on the results provided.
The present invention will find many fields of application and in particular applications for the detection:
- runway, runway contour, light ramp, approach lights;
- obstacles around the ground, rolling buildings, vehicles or people;
- birds, all types of drones;
- power lines.
L’invention couvre aussi un produit programme d’ordinateur comprenant des instructions de code permettant d’effectuer les étapes du procédé revendiqué, lorsque le programme est exécuté sur un ordinateur.The invention also covers a computer program product comprising code instructions for performing the steps of the claimed method, when the program is executed on a computer.
L’invention couvre de plus un dispositif de gestion sécurisée d’une banque d’images pour l’aide à l’atterrissage d’aéronef, le dispositif comprenant des moyens pour mettre en œuvre les étapes du procédé revendiqué.The invention also covers a device for the secure management of an image bank for aircraft landing assistance, the device comprising means for implementing the steps of the claimed method.
D’autres caractéristiques, détails et avantages de l’invention ressortiront à la lecture de la description faite en référence aux dessins annexés donnés à titre d’exemple et qui représentent, respectivement :Other characteristics, details and advantages of the invention will become apparent on reading the description given with reference to the appended drawings given by way of example and which represent, respectively:
La figure 1 illustre une architecture 100 dite « producteur/valideur » d’un système de gestion sécurisée d’une banque d’images selon les principes de l’invention. Le système « producteur/valideur » 100 selon un mode de réalisation de l’invention comprend une communauté de fournisseurs d’images 102. Une communauté de fournisseurs d’images au sens de la présente invention s’entend comme un ensemble de dispositifs 102 où chaque dispositif est apte à capturer et fournir une/des images prises par un/des capteurs. Dans un mode de réalisation concernant l’aide à l’atterrissage d’aéronefs, les images d’un fournisseur d’images sont des images prises au cours d’un vol d’un aéronef équipé de capteurs. La communauté de fournisseurs d’images est alors une flotte d’aéronefs, un aéronef au sens de la présente invention prenant une définition générique couvrant tout engin volant, que ce soit un avion, un drone, un ballon, qu’il soit piloté ou non.Figure 1 illustrates a so-called "producer/validator" architecture 100 of a secure management system for an image bank according to the principles of the invention. The "producer/validator" system 100 according to one embodiment of the invention comprises a community of image providers 102. A community of image providers within the meaning of the present invention is understood as a set of devices 102 where each device is capable of capturing and supplying one or more images taken by one or more sensors. In an embodiment relating to aircraft landing assistance, the images of an image provider are images taken during a flight of an aircraft equipped with sensors. The community of image providers is then a fleet of aircraft, an aircraft within the meaning of the present invention taking a generic definition covering any flying machine, whether it be an airplane, a drone, a balloon, whether piloted or No.
Le système 100 comprend un réseau de type registre distribué 104 ou DLT (« Distributed Ledger Technology » en anglais) qui est composé d’une pluralité d’entités de calcul (processeurs, ordinateurs) où un registre est simultanément enregistré et synchronisé sur les entités du réseau. Le réseau peut évoluer par l'addition de nouvelles informations préalablement validées par l'entièreté du réseau, et la mise à jour d'un registre distribué se répercute sur l'ensemble du réseau. Chaque dispositif ou entité du réseau possède en permanence la dernière version du registre.The system 100 comprises a distributed ledger type network 104 or DLT ("Distributed Ledger Technology" in English) which is composed of a plurality of computing entities (processors, computers) where a ledger is simultaneously recorded and synchronized on the entities of the network. The network can evolve by adding new information previously validated by the entire network, and the update of a distributed register affects the entire network. Each device or entity in the network always has the latest version of the register.
Dans un mode de réalisation particulier, le réseau 104 est une chaîne de blocs (« blockchain » en anglais) où chaque bloc est lié au précédent par une clé de hachage. Une chaîne de blocs est une base de données distribuée et sécurisée par des techniques cryptographiques. Les transactions échangées sont groupées en « blocs » à intervalles de temps réguliers, de manière sécurisée par cryptographie, et forment une chaîne.In a particular embodiment, the network 104 is a blockchain where each block is linked to the previous one by a hash key. A blockchain is a distributed database secured by cryptographic techniques. Exchanged transactions are grouped into "blocks" at regular time intervals, cryptographically secured, and form a chain.
Dans une variante de réalisation, le système 100 comprend une base de données d’images 106 qui permet de stocker les images collectées et envoyées par les fournisseurs d’images.In an alternative embodiment, the system 100 comprises an image database 106 which makes it possible to store the images collected and sent by the image suppliers.
Le système 100 comprend de plus un module 108 de validation de l’intégrité des données, couplé au réseau 104. Dans un mode de réalisation, le module de validation est aussi couplé à la base de données d’images 106.System 100 further includes a data integrity validation module 108, coupled to network 104. In one embodiment, the validation module is also coupled to image database 106.
Le module de validation 108 est configuré pour permettre une validation collaborative des données. De manière avantageuse, le module de validation met en œuvre un algorithme de validation par consensus distribué. Les données validées sont mises à disposition dans le réseau DLT 104 ou selon une variante de réalisation dans la chaîne de blocs.The validation module 108 is configured to allow collaborative validation of the data. Advantageously, the validation module implements a validation algorithm by distributed consensus. The validated data is made available in the DLT network 104 or according to an alternative embodiment in the blockchain.
Dans un mode de réalisation de l’invention avec chaîne de blocs, la validation par consensus distribué est interne à la chaîne de blocs et peut consister en une preuve de travail (« proof of work » en anglais). La chaîne de blocs peut être publique ou privée, ou selon des gouvernances intermédiaires, qui peuvent utiliser différentes barrières à l’entrée dont une validation par preuve de travail. Une chaîne de blocs « publique » fonctionne sans tiers de confiance (modèle dit « trustless » en anglais), généralement avec une validation par preuve de travail complexe (e.g. hashcash). Une chaîne de blocs publique ne définit généralement pas d'autre règle que celle du code constitué par la technologie protocolaire et logicielle qui la compose. Une chaîne de blocs « privée » comprend des nœuds participants au consensus qui sont définis à l'avance puis authentifiés. Ses règles de fonctionnement peuvent être éventuellement extrinsèques.In one embodiment of the invention with blockchain, the distributed consensus validation is internal to the blockchain and may consist of proof of work. The blockchain can be public or private, or according to intermediate governances, which can use different barriers to entry, including validation by proof of work. A “public” blockchain works without a trusted third party (so-called “trustless” model), generally with validation by complex proof of work (e.g. hashcash). A public blockchain does not generally define any rule other than that of the code constituted by the protocol and software technology that composes it. A “private” blockchain consists of consensus participating nodes that are defined in advance and then authenticated. Its operating rules may possibly be extrinsic.
La figure 2 déroule les étapes d’un procédé 200 de mise à disposition de données validées dans un réseau DLT 104 selon un mode de réalisation de l’invention. Le procédé 200 correspond à une configuration dite « Producteur/Valideur » tel que celle illustrée sur la figure 1, où un fournisseur d’images publie dans le réseau DLT des données relatives à des images capteurs qu’il a collectées. Dans un mode de réalisation, des données relatives aux images capteurs sont stockées dans la base de données d’images 106, et un lien est inscrit dans une chaîne de blocs contenant par exemple un SHA (« Secure Hash Algorithm » en anglais) de l’image.FIG. 2 rolls out the steps of a method 200 for making validated data available in a DLT network 104 according to one embodiment of the invention. The method 200 corresponds to a so-called "Producer/Validator" configuration such as that illustrated in Figure 1, where an image provider publishes data relating to sensor images that it has collected in the DLT network. In one embodiment, data relating to the sensor images are stored in the image database 106, and a link is registered in a chain of blocks containing for example an SHA ("Secure Hash Algorithm" in English) of the 'picture.
Chaque image collectée est étiquetée, et les données sont envoyées 202 avec au moins des informations d’horodatage (e.g. date de création, validité) et d’identification du fournisseur d’images, et au moins un moyen de valider l’intégrité des données (e.g. l’association d’un nombre de hachage aux données). Les données peuvent aussi comprendre un résumé du contenu (e.g. paramètres, unités, quantité, format de l’image) ainsi que des données complémentaires, comme la météo perçue, l’état de systèmes de navigation au moment des prises de vue, la position 3D au moment du toucher sur la piste, etc. Avantageusement, le fournisseur peut inscrire la position 3D et l’orientation 3D par rapport à la terre de l’aéronef et/ou du capteur ayant pris la/les images. Cet ensemble forme un « bloc » à valider.Each image collected is tagged, and the data is sent 202 with at least timestamp information (e.g. date of creation, validity) and identification of the image provider, and at least one means of validating the integrity of the data (e.g. associating a hash number with the data). The data may also include a summary of the content (e.g. parameters, units, quantity, image format) as well as additional data, such as the perceived weather, the status of navigation systems at the time of the shots, the position 3D when touching on the track, etc. Advantageously, the supplier can enter the 3D position and the 3D orientation with respect to the ground of the aircraft and/or of the sensor having taken the image(s). This set forms a "block" to validate.
Dans un mode de réalisation, les images capteurs sont une séquence d’images produites à intervalle temporel fixe. Dans une alternative, les images capteurs sont une séquence d’images produites à une distance fixe par rapport à un élément de référence (e.g. un seuil de piste). Avantageusement, des algorithmes de compression d’images peuvent être appliqués, les données produites peuvent être masquées (par cryptage par exemple).In one embodiment, the sensor images are a sequence of images produced at a fixed time interval. Alternatively, the sensor images are a sequence of images produced at a fixed distance from a reference element (e.g. a runway threshold). Advantageously, image compression algorithms can be applied, the data produced can be masked (by encryption for example).
Dans un mode de réalisation, les données sont envoyées en temps réel par le fournisseur d’images par liaison de données numérique. Dans une alternative, les données sont envoyées une fois l’aéronef posé (e.g. via une liaison « Gatelink » quand l’aéronef est en liaison Wifi à sa porte). Dans une autre alternative, les données sont stockées à bord de l’aéronef et récupérées par téléchargement par un opérateur.In one embodiment, the data is sent in real time by the image provider via digital data link. In an alternative, the data is sent once the aircraft lands (e.g. via a "Gatelink" link when the aircraft is on a Wifi link at its gate). In another alternative, the data is stored on board the aircraft and retrieved by downloading by an operator.
Le procédé 200 permet dans une étape suivante 204 de valider les données selon un processus collaboratif qui permet au réseau DLT de parvenir à un consensus. Dans un mode de réalisation, l’étape de validation consiste à mettre en œuvre un algorithme de consensus qui implique au moins deux fournisseurs d’images de la communauté des fournisseurs d’images capteurs.The method 200 allows in a following step 204 to validate the data according to a collaborative process which allows the DLT network to reach a consensus. In one embodiment, the validation step consists of implementing a consensus algorithm that involves at least two image providers from the community of sensor image providers.
Dans un mode de réalisation, les données stockées dans la base de données d’images peuvent être encryptées après l’étape de vérification de leur intégrité et de l’authenticité du producteur.In one embodiment, the data stored in the image database can be encrypted after the step of verifying their integrity and the authenticity of the producer.
Dans un mode de réalisation pour améliorer la robustesse du système à la triche, l’étape de validation permet de croiser les données de la base de données d’images (i.e. l’identification du fournisseur d’images) avec des données externes (par exemple avec l’information si le vol est bien prévu à cet horaire sur cet aéroport pour cet identifiant).In one embodiment to improve the robustness of the system to cheating, the validation step makes it possible to cross-reference the data from the image database (i.e. the identification of the image provider) with external data (for example with the information if the flight is scheduled at this time at this airport for this identifier).
Dans un mode de réalisation de chaîne de blocs, l’étape de validation collaborative des images capteurs comprend une étape de rétribution du/des contributeur(s) à la validation (i.e. le/les nœud(s) de la chaîne de blocs). L’étape de rétribution peut consister à accorder un score synthétique VS (« Value Score » en anglais) à un nœud participant à la validation, le score permettant de gouverner les accès aux échanges (en tant que producteur/fournisseur d’images et/ou valideur et/ou consommateur).In one embodiment of the blockchain, the step of collaborative validation of the sensor images includes a step of rewarding the contributor(s) to the validation (i.e. the node(s) of the blockchain). The reward step may consist in granting a synthetic score VS ("Value Score" in English) to a node participating in the validation, the score allowing to govern the accesses to the exchanges (as producer/provider of images and/or or validator and/or consumer).
Dans un mode de réalisation, ce score VS peut être fonction de i) la « valeur » des informations qu’il produit VS_PROD et ii) de la « valeur » des informations qu’il consomme VS_CONS. La valeur VS peut s’exprimer sous forme d’un score (chiffré), d’un symbole, de valeur dans une crypto-monnaie, d’une monnaie réelle (fiduciaire), etc. Si les images sont déclarées comme invalides, la chaîne de blocs est mise à jour avec une baisse du VS_PROD d’un certain montant pour le producteur, et une augmentation du VS_PROD pour celui qui a détecté l’anomalie. Si les images sont déclarées comme valides, la chaîne de blocs est mise à jour avec une augmentation du VS_PROD d’un certain montant pour le nœud valideur.In one embodiment, this VS score may be a function of i) the "value" of the information it produces VS_PROD and ii) the "value" of the information it consumes VS_CONS. The VS value can be expressed in the form of a score (encrypted), a symbol, a value in a cryptocurrency, a real currency (fiat), etc. If the images are declared invalid, the blockchain is updated with a decrease in VS_PROD by a certain amount for the producer, and an increase in VS_PROD for the one who detected the anomaly. If the images are declared valid, the blockchain is updated with an increase in VS_PROD by a certain amount for the validating node.
Revenant à l’étape 204 de validation, si les images sont considérées comme intègres et donc validées, le procédé permet de créer 206 un registre ou bloc de données validé, puis d’envoyer 208 le bloc validé dans le réseau DLT 104. Dans un mode de réalisation de chaîne de blocs, le bloc validé qui est créé contient un lien vers les données.
Dans un mode de réalisation de chaîne de blocs, l’étape de validation collaborative des images capteurs peut s’effectuer directement et automatiquement par un code logiciel appelé contrat intelligent (« Smart Contract » en anglais) stocké sur et exécuté par la chaîne de blocs. A chaque nouvelle entrée dans la base (et tentative d’écriture de bloc), un contrat peut vérifier :
-i le producteur est déclaré (s’il s’agit d’une chaîne de consortium) ;
- de faire rentrer le score VS du producteur dans l’évaluation de son intégrité ;
de faire rentrer une « note » dans cette même évaluation ;
- effectuer des vérifications fonctionnelles sur les données : des données issues de l’aéronef concerné peuvent être corrélées/croisées avec d’autres sources d’information sur l’aéronef (sources publiques ou privées de la compagnie, du contrôle aérien …) émises en temps réel et correspondant à l’état de l’aéronef (heure de décollage, statut (en vol, au sol, en croisière …), position courante …).Returning to validation step 204, if the images are considered to be intact and therefore validated, the method makes it possible to create 206 a validated data register or block, then to send 208 the validated block to the DLT network 104. In a In a blockchain embodiment, the validated block that is created contains a link to the data.
In one embodiment of the blockchain, the step of collaborative validation of the sensor images can be performed directly and automatically by software code called a smart contract ("Smart Contract") stored on and executed by the blockchain. . At each new entry in the database (and attempt to write a block), a contract can check:
-i the producer is declared (if it is a consortium string);
- to include the producer's VS score in the evaluation of its integrity;
to include a “note” in this same evaluation;
- perform functional checks on the data: data from the aircraft concerned can be correlated/cross-referenced with other sources of information on the aircraft (public or private sources of the company, air traffic control, etc.) issued in real time and corresponding to the state of the aircraft (take-off time, status (in flight, on the ground, in cruise…), current position…).
Tel que connu des technologies chaîne de blocs, un contrat intelligent est un code logiciel qui est stocké et exécuté sur/par une chaîne de blocs et est déclenché par des données externes, ce qui permet de modifier d'autres données, dans la chaîne de blocs ou ailleurs. Un contrat intelligent permet d’assurer l’égalité de traitement (en valeur) entre les parties prenantes au contrat. Les ressources de calcul étant distribuées, les données partagées sur la chaîne de bloc, l’exécution d’un contrat intelligent est sûre en elle-même : le code du contrat intelligent est répliqué en plusieurs nœuds de l’architecture mettant en œuvre la chaîne de blocs, et en étant déterministe, les résultats des différentes exécutions sont identiques. Le code ainsi que l’exécution du code sont alors sûres.As known from blockchain technologies, a smart contract is software code that is stored and executed on/by a blockchain and is triggered by external data, allowing other data to be changed, within the blockchain. blocks or elsewhere. A smart contract makes it possible to ensure equal treatment (in value) between the parties to the contract. Since the computational resources are distributed, the data shared on the blockchain, the execution of a smart contract is safe in itself: the code of the smart contract is replicated in several nodes of the architecture implementing the chain of blocks, and being deterministic, the results of the different executions are identical. The code as well as the execution of the code are then safe.
Comme pour tout programme ou code informatique, différents langages de programmation sont disponibles pour un contrat intelligent, avec différents modèles de sécurité et de régulation (contrat-cadre régissant d’autres contrats, contrats en cascade, etc). Les formes prises par les contrats intelligents peuvent être diverses (e.g services, agents, snippets, scripts, SOA, API, add-ons, plug-ins, extensions, DLC, etc). La logique mathématique (les prises de décisions opérant sur les données) peut être celle de la logique classique, floue, combinatoire, intuitionniste, modale, propositionnelle, partielle, para-consistante, etc ou une combinaison de ces logiques. Le logiciel peut être codé en partie ou en totalité sur forme matérielle (e.g. FPGA). Un contrat intelligent peut être en totalité ou en partie en source ouverte (« open source ») et/ou en source fermée (« closed source »). Dans le cas de source ouverte, le code est auditable ou vérifiable par les parties ou les tiers. Un contrat intelligent peut combiner des parties en source ouverte (e.g. auditables, vérifiables, améliorables, etc) avec des parties fermées (propriétaires, secrètes, sensibles, etc). Une source fermée peut être un binaire, éventuellement obfusqué ou durci (« hardened »). Les techniques cryptographiques peuvent être diverses : symétrique, asymétrique, « post-quantum », « quantum-safe », avec utilisation de « Quantum-Key-Distribution », etc). Un contrat intelligent peut être lisible par l’homme et/ou la machine (« human and/or machine readable »).As with any computer program or code, different programming languages are available for a smart contract, with different security and regulation models (framework contract governing other contracts, cascading contracts, etc.). The forms taken by smart contracts can be diverse (e.g services, agents, snippets, scripts, SOA, APIs, add-ons, plug-ins, extensions, DLC, etc). Mathematical logic (decision-making operating on data) can be that of classical, fuzzy, combinatorial, intuitionistic, modal, propositional, partial, para-consistent logic, etc. or a combination of these logics. The software can be coded in part or in whole on hardware form (e.g. FPGA). A smart contract may be wholly or partly open source and/or closed source. In the case of open source, the code is auditable or verifiable by the parties or third parties. A smart contract can combine open source parts (e.g. auditable, verifiable, improvable, etc) with closed parts (proprietary, secret, sensitive, etc). A closed source can be a binary, possibly obfuscated or hardened. Cryptographic techniques can be diverse: symmetric, asymmetric, "post-quantum", "quantum-safe", with use of "Quantum-Key-Distribution", etc). A smart contract can be human and/or machine readable.
La figure 3 illustre une architecture 300 permettant le traitement d’images capteurs et la figure 4 montre les étapes d’un procédé 400 de mise à disposition d’algorithmes de traitement d’images entrainés dans un système de gestion sécurisée d’une banque d’images selon un mode de réalisation de l’invention. Le système 300 comprend un réseau de type registre distribué 104 auquel peuvent se connecter une pluralité d’entités 302 dites spécialistes du traitement d’images, configurées pour entrainer des réseaux de neurones, et produire des algorithmes de traitement d’images entrainés qui peuvent être stockés dans une base de données 304 d’algorithmes de traitement d’images entrainés. Avantageusement, le réseau DLT 104 contient selon le principe du procédé 200 décrit précédemment, des blocs de données validés. Le procédé 400 débute quand N (N>=1) entités 302 décident de requérir ou reçoivent directement 402 un ou plusieurs blocs de données validés.Figure 3 illustrates an architecture 300 allowing the processing of sensor images and Figure 4 shows the steps of a method 400 for providing trained image processing algorithms in a secure management system of a data bank. images according to one embodiment of the invention. The system 300 comprises a network of the distributed register type 104 to which a plurality of entities 302 called image processing specialists can be connected, configured to train neural networks, and produce trained image processing algorithms which can be stored in a database 304 of trained image processing algorithms. Advantageously, the DLT network 104 contains, according to the principle of the method 200 described previously, validated data blocks. The method 400 begins when N (N>=1) entities 302 decide to request or directly receive 402 one or more validated data blocks.
A l’étape suivante 404, les N entités spécialistes du traitement d’images mettent en œuvre des algorithmes d’apprentissage automatique sur les données correspondantes.At the next step 404, the N entities specializing in image processing implement automatic learning algorithms on the corresponding data.
Différents types d'apprentissage automatique (ou machine) sont possibles. L'apprentissage automatique est un domaine de l'informatique qui utilise des techniques statistiques pour donner aux systèmes informatiques la possibilité "d'apprendre" avec des données (par exemple, pour améliorer progressivement les performances d'une tâche spécifique), et ce sans être explicitement programmé à cette fin.Different types of automatic (or machine) learning are possible. Machine learning is a field of computer science that uses statistical techniques to give computer systems the ability to "learn" with data (for example, to gradually improve performance on a specific task), without be explicitly programmed for this purpose.
Des réseaux de neurones (réalisation matérielle de l’apprentissage automatique, ou émulation logicielle) peuvent être utilisés pour traiter de nouvelles données. L’apprentissage automatique peut être effectué sur des données particulièrement volumineuses, c’est-à-dire en utilisant autant de données que possible (e.g. stabilité, convergence, signaux faibles, etc). De nouvelles données peuvent être ajoutées en permanence et l’apprentissage peut être affiné.Neural networks (hardware realization of machine learning, or software emulation) can be used to process new data. Machine learning can be performed on particularly large data, i.e. using as much data as possible (e.g. stability, convergence, weak signals, etc). New data can be added constantly and learning can be refined.
Différents algorithmes d’apprentissage peuvent être utilisés, en combinaison avec les caractéristiques selon l’invention. Le procédé peut comprendre un ou plusieurs algorithmes parmi les algorithmes comprenant: les "machines à vecteur de support" ou "séparateurs à vaste marge" (en anglais « Support Vector Machine », acronyme SVM) ; le « boosting » (classifieurs); les réseaux de neurones (en apprentissage non-supervisé) ; les arbres de décision ("Random Forest"), les méthodes statistiques comme le modèle de mixture gaussienne ; la régression logistique ; l'analyse discriminante linéaire ; et les algorithmes génétiques.Different learning algorithms can be used, in combination with the features according to the invention. The method may include one or more of algorithms including: "Support Vector Machines" or "Broad Margin Separators" (SVM); boosting (classifiers); neural networks (in unsupervised learning); decision trees ("Random Forest"), statistical methods such as the Gaussian mixture model; logistic regression; linear discriminant analysis; and genetic algorithms.
Matériellement, selon des modes de réalisation, le procédé selon l’invention peut être mis en œuvre sur ou par un ou plusieurs réseaux de neurones. Un réseau de neurones selon l’invention peut être un ou plusieurs réseaux de neurones choisis parmi les réseaux de neurones comprenant : a) un réseau de neurones artificiels (en anglais « feedforward neural network »; b) un réseau de neurones artificiels acyclique, e.g. un perceptron multicouche, se distinguant ainsi des réseaux de neurones récurrents ; c) un réseau de neurones à propagation avant ; d) un réseau de neurones de Hopfield (un modèle de réseau de neurones récurrents à temps discret dont la matrice des connexions est symétrique et nulle sur la diagonale et où la dynamique est asynchrone, un seul neurone étant mis à jour à chaque unité de temps) ; e) un réseau de neurones récurrents (constitué d'unités interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure) ; f) un réseau neuronal convolutif (en anglais « CNN » ou « ConvNet » pour « Convolutional Neural Networks », un type de réseau de neurones artificiels acycliques feedforward, par empilage multicouche de perceptrons) ou g) un réseau antagoniste génératif (en anglais « Generative Adversarial Networks » acronyme GAN, qui est une classe d'algorithme d'apprentissage non-supervisé).Materially, according to embodiments, the method according to the invention can be implemented on or by one or more neural networks. A neural network according to the invention may be one or more neural networks chosen from neural networks comprising: a) an artificial neural network (in English "feedforward neural network"; b) an acyclic artificial neural network, e.g. a multi-layered perceptron, thus distinguishing itself from recurrent neural networks; c) a forward propagation neural network; d) a Hopfield neural network (a model of a discrete-time recurrent neural network whose matrix of connections is symmetric and zero on the diagonal and where the dynamics are asynchronous, a single neuron being updated every unit time ); e) a recurrent neural network (consisting of interconnected units interacting non-linearly and for which there is at least one cycle in the structure); f) a convolutional neural network (in English "CNN" or "ConvNet" for "Convolutional Neural Networks", a type of acyclic artificial neural network feedforward, by multilayer stacking of perceptrons) or g) a generative adversarial network (in English " Generative Adversarial Networks” acronym GAN, which is a class of unsupervised learning algorithm).
Dans un mode de réalisation, un réseau GAN peut être utilisé pour entrainer et robustifier les algorithmes pour faire face à différents situations : panne ou attaque cyber sur les senseurs, sur le système avionique/calculateurs, etc. En effet, actuellement il est impossible de récupérer des données qui correspondraient à de telles situations. Les GAN permettent de facilement générer de large quantité de données, les GANs peuvent donc se révéler très utiles pour l’entrainement d’algorithmes d’apprentissage automatique.In one embodiment, a GAN network can be used to train and strengthen the algorithms to deal with different situations: failure or cyber attack on the sensors, on the avionic system/computers, etc. Indeed, currently it is impossible to recover data that would correspond to such situations. GANs make it easy to generate large amounts of data, so GANs can be very useful for training machine learning algorithms.
Un GAN a pour but de générer des données qui sont très similaires à celles d’un jeu d’entrainement. Pour ce faire le générateur va générer des « fausses » images qui trompent le discriminateur en lui faisant croire qu’elles sont réelles. Le discriminateur doit quant à lui déterminer du mieux qu’il peut quelles images sont « réelles » et lesquelles sont « fausses ». Au fur et à mesure de l’entrainement les deux modules s’améliorent (le discriminateur et le générateur) jusqu’à ce que le discriminateur ne soit plus en mesure de distinguer les fausses images des vraies, et il produit alors des prédictions avec 50% de précision (équivalent à deviner de manière aléatoire la nature de l’image). La qualité des images produites par le générateur est alors très similaire à celles du jeu utilisé pour l’entrainement.A GAN aims to generate data that is very similar to that of a training game. To do this, the generator will generate "false" images that deceive the discriminator into believing that they are real. The discriminator must determine as best he can which images are “real” and which are “false”. As the training progresses, the two modules improve (the discriminator and the generator) until the discriminator is no longer able to distinguish the false images from the real ones, and it then produces predictions with 50 % Accuracy (equivalent to randomly guessing the nature of the image). The quality of the images produced by the generator is then very similar to those of the game used for training.
Quelques exemples d’amélioration de la robustesse des algorithmes en utilisant un GAN peuvent être :
- de créer des « fausses données de pistes » en utilisant un GAN avec un générateur ;
- d’enrichir les données (« Data Enhancement »), les GANs permettant par exemple de facilement modifier la météo dans une image, on peut envisager que pour chaque image (ou autre type de donnée) ajoutée à la base de données d’images, un GAN soit mis en œuvre pour générer automatiquement la même image avec une météo différente ;
- d’entrainer les algorithmes à détecter des situations impossibles en simulant ces situations et en générant les données correspondantes ;
- de créer des « Adversarials Inputs » pour étudier la réaction des algorithmes et minimiser l’impact d’une potentielle attaque/panne d’un senseur ou d’un composant de la chaîne fonctionnelle.Some examples of improving the robustness of algorithms using a GAN can be:
- to create “false track data” by using a GAN with a generator;
- to enrich the data (“Data Enhancement”), the GANs making it possible for example to easily modify the weather in an image, one can consider that for each image (or other type of data) added to the image database , a GAN be implemented to automatically generate the same image with different weather;
- train the algorithms to detect impossible situations by simulating these situations and generating the corresponding data;
- to create “Adversarial Inputs” to study the reaction of algorithms and minimize the impact of a potential attack/failure of a sensor or a component of the functional chain.
Revenant au procédé 400 de la figure 4, quand l’étape 404 d’entrainement des algorithmes de traitement d’images est terminée, le procédé permet 406 de générer des modèles d’algorithmes entrainés et de les stocker dans une base de données 304 d’algorithmes de traitement d’images entrainés pour utilisation par des utilisateurs/consommateurs.Returning to the method 400 of FIG. 4, when the step 404 of training the image processing algorithms is finished, the method makes it possible 406 to generate models of trained algorithms and to store them in a database 304 d image processing algorithms trained for use by users/consumers.
Dans un mode de réalisation, les résultats sont des modèles d’intelligence artificielle de type « réseaux de neurones profonds » avec leurs paramètres (poids), leur fiabilité (précision, rappel).In one embodiment, the results are artificial intelligence models of the “deep neural network” type with their parameters (weight), their reliability (accuracy, recall).
Dans une alternative, le traitement d’image peut être standard et porter sur la détection de contour, de droite, de contraste.In an alternative, the image processing can be standard and relate to the detection of contour, line, contrast.
Dans une autre alternative, l’algorithme de traitement d’images peut détecter un niveau d’intérêt sur de nouvelles images par rapport à un stock d’images existant, et effectuer des opérations de notation d’images en associant un tag à une image considérée comme inintéressante ou de faible valeur.In another alternative, the image processing algorithm can detect a level of interest on new images compared to an existing stock of images, and perform image rating operations by associating a tag with an image considered uninteresting or of low value.
Le procédé 400 se termine par la mise à disposition 408 de modèles d’algorithmes de traitement d’images entrainés. Dans un mode de réalisation, les modèles des algorithmes entrainés sont mis à disposition dans un réseau de type registre distribué, qui avantageusement peut être le même réseau 104 que celui des fournisseurs d’images.The method 400 ends with the provision 408 of models of trained image processing algorithms. In one embodiment, the models of the trained algorithms are made available in a network of the distributed register type, which advantageously can be the same network 104 as that of the image providers.
Dans un mode de réalisation, les modèles des algorithmes entrainés sont écrits dans une chaîne de blocs. Dans une alternative, les modèles sont écrits dans une base de données d’algorithmes de traitement d’images entrainés et un hash est écrit dans une chaîne de blocs.In one embodiment, the models of the trained algorithms are written into a blockchain. Alternatively, the models are written to a database of trained image processing algorithms and a hash is written to a blockchain.
La figure 5 illustre une architecture dite « consommateur » 500 permettant l’utilisation d’algorithmes de traitement d’images entrainés et la figure 6 montre les étapes d’un procédé 600 pour utiliser des modèles d’algorithmes de traitement d’images entrainés dans un système de gestion sécurisée d’une banque d’images selon un mode de réalisation de l’invention.Figure 5 illustrates a so-called "consumer" architecture 500 allowing the use of trained image processing algorithms and Figure 6 shows the steps of a method 600 for using models of trained image processing algorithms in a secure management system for an image bank according to one embodiment of the invention.
Le système 500 comprend une base de données 304 stockant des modèles d’algorithmes de traitement d’images entrainés couplée à un réseau de type registre distribué 504. Le procédé 600 d’utilisation d’algorithmes de traitement d’images entrainés débute quand une entité ‘consommateur’ 502 émet une requête d’utilisation 602 vers le réseau DLT 504. Afin de savoir si un bloc de données peut l’intéresser et donc faire une requête d’utilisation d’un modèle d’algorithme entrainé, des informations comme le format et le résumé du contenu d’un bloc du réseau (i.e. des données cryptées) peuvent être laissées en clair dans un espace de stockage.The system 500 includes a database 304 storing models of trained image processing algorithms coupled to a distributed ledger type network 504. The method 600 of using trained image processing algorithms begins when an entity 'consumer' 502 sends a use request 602 to the DLT network 504. format and summary of the content of a network block (i.e. encrypted data) can be left unencrypted in a storage space.
Dans un mode de réalisation de chaîne de blocs, un consommateur peut s’abonner ou se déclarer intéressé pour récupérer un modèle d’algorithme entraîné de traitement d’images ou des paramètres optimisés en passant un ordre d’achat sur la chaîne de bloc 504 ou par un contrat intelligent. Le contrat vient lire les données en clair et se déclenche si le consommateur est abonné à cette donnée et si son solde (Value Score) est positif. Si c’est le cas, le contrat peut émettre une demande de récupération des données qui donne lieu en créant un nouveau bloc à l’envoi d’une clef de décryptage pour le bloc requis.In one blockchain embodiment, a consumer can subscribe or express interest in retrieving a trained image processing algorithm model or optimized parameters by placing a buy order on the 504 blockchain. or by a smart contract. The contract reads the data in plain text and is triggered if the consumer has subscribed to this data and if his balance (Value Score) is positive. If this is the case, the contract can issue a data recovery request which, by creating a new block, results in the sending of a decryption key for the requested block.
Si le jeu de données correspondant à la demande de l’acheteur est réputé valide, des clefs de décryptage stockées dans la chaîne de bloc sont récupérées par le contrat et transmises à l’acheteur. La transaction est écrite dans la chaîne de blocs par le contrat.If the data set corresponding to the buyer's request is deemed valid, decryption keys stored in the blockchain are retrieved by the contract and transmitted to the buyer. The transaction is written to the blockchain by the contract.
Avantageusement, un consommateur peut adresser une requête pour plusieurs modèles d’algorithmes de traitement d’images entrainés, afin d’améliorer la précision, l’intégrité et la disponibilité ou pour des questions de redondance (par mise en œuvre d’une technique de dissimilarité par exemple).Advantageously, a consumer can send a request for several models of trained image processing algorithms, in order to improve the accuracy, integrity and availability or for questions of redundancy (by implementing a technique of dissimilarity, for example).
Après réception de la requête d’un consommateur, le procédé permet de vérifier 604 si ce dernier a la capacité requise pour télécharger le modèle entraîné ou les paramètres optimisés.After receiving the request from a consumer, the method makes it possible to check 604 whether the latter has the capacity required to download the trained model or the optimized parameters.
Dans un mode de réalisation avec chaîne de blocs où un consommateur participe à la validation de blocs pour les images capteur et obtient une rétribution de type VS, la vérification porte sur la valeur du VS du consommateur qui doit l’autoriser à récupérer le ou les modèles entrainés.In an embodiment with blockchain where a consumer participates in the validation of blocks for the sensor images and obtains a VS-type reward, the verification relates to the value of the VS of the consumer who must authorize him to recover the trained models.
Dans une alternative, un ordre d’achat passé sur la chaîne de bloc peut être mis à disposition d’entités de validation qui effectuent la vérification du VS. Des mécanismes de rétribution et de validation peuvent être activés lorsque les vérifications sont considérées comme valides.Alternatively, a buy order placed on the blockchain can be made available to validating entities that perform SV verification. Retribution and validation mechanisms can be activated when checks are considered valid.
Si la requête ou la transaction est valide, l’algorithme requis ou le jeu de données optimisé pour un algorithme que l’utilisateur a déjà, est transmis 606 au consommateur. Avantageusement, ce dernier peut avoir la possibilité de vérifier son intégrité (par le hash récupéré dans la chaîne de blocs).If the request or transaction is valid, the requested algorithm, or dataset optimized for an algorithm that the user already has, is passed 606 to the consumer. Advantageously, the latter can have the possibility of verifying its integrity (by the hash recovered in the chain of blocks).
Dans une variante de réalisation, le consommateur peut noter l’attractivité du bloc reçu (vis-à-vis de son propre intérêt). Des mécanismes de notation peuvent aussi être activés pour rétribuer les émetteurs de données les plus utiles.In a variant embodiment, the consumer can note the attractiveness of the block received (in relation to his own interest). Rating mechanisms can also be activated to reward the most useful data submitters.
Dans une autre variante, une note peut être calculée pour un bloc, par comptage du nombre de téléchargements des images et/ou par le nombre de consommateurs intéressés.Alternatively, a score can be calculated for a block, by counting the number of downloads of the images and/or by the number of interested consumers.
Dans une autre variante, une note peut être fixée pour répondre à des besoins réglementaires, comme par exemple, la validation d’une procédure de navigation nouvelle sur un grand aéroport fréquenté peut avoir une note élevée pour les images fournies.In another variant, a score can be set to meet regulatory needs, such as, for example, the validation of a new navigation procedure at a large busy airport can have a high score for the images provided.
Dans une autre variante, une note peut être fixée pour répondre à des besoins internationaux de couverture mondiale, ce qui peut être le cas pour des aéroports peu desservis.In another variant, a note can be set to meet international needs for global coverage, which may be the case for poorly served airports.
La figure 7 illustre l’architecture d’un système 700 de gestion sécurisée d’une banque d’images pour l’aide à l’atterrissage d’aéronefs selon un mode préférentiel de réalisation de l’invention avec des chaînes de blocs.FIG. 7 illustrates the architecture of a system 700 for secure management of an image bank for aircraft landing assistance according to a preferred embodiment of the invention with blockchains.
L’architecture générale du système est une architecture de type Fournisseur/Consommateur qui met en œuvre les procédés décrits aux figures 2, 4 et 6.The general architecture of the system is a Supplier/Consumer type architecture which implements the processes described in figures 2, 4 and 6.
Une communauté de fournisseurs d’images capteurs 702 fournit de nouvelles données construites sur des images capteurs prises par des senseurs pendant des vols, en particulier pendant des phases d’atterrissage, et stockées dans une base de données 706. Les données sont validées par un mécanisme de validation par consensus 708.A community of sensor image providers 702 provides new data built on sensor images taken by sensors during flights, in particular during landing phases, and stored in a database 706. The data is validated by a consensus validation mechanism 708.
Un contrat intelligent de mise à disposition détecte les nouvelles données validées et stocke des méta-données dans une chaîne de blocs 704 (i.e. une identification, une date, un émetteur, un score, un hash du contenu des données).A provisioning smart contract detects new validated data and stores metadata in a 704 blockchain (i.e. identification, date, issuer, score, hash of data content).
Les données sont utilisées par une communauté 710 de spécialistes du traitement d’images pour entrainer des algorithmes de traitement d’images capteurs et générer des algorithmes entrainés, stockés dans une base de données 712 d’algorithmes de traitement d’images capteur entrainés.The data is used by a community 710 of image processing specialists to train sensor image processing algorithms and generate trained algorithms, stored in a database 712 of trained sensor image processing algorithms.
Lors de l’achat de données, un ordre d’achat est passé par un consommateur 714 sur une chaîne de blocs 716, et un contrat intelligent de consommation de données se déclenche. Le contrat vérifie le score de valeur de l’acheteur/consommateur potentiel, vérifie en option la réalité de la donnée mise à disposition, la télécharge et l’envoie à l’acheteur. Le contrat de consommation envoie également les informations du bloc correspondant de la chaîne de bloc, et le hash du contenu des données (ce qui permet à l’acheteur de vérifier l’intégrité des données).When purchasing data, a purchase order is placed by a consumer 714 on a blockchain 716, and a data consumption smart contract is triggered. The contract verifies the value score of the potential buyer/consumer, optionally verifies the reality of the data provided, downloads it and sends it to the buyer. The consumer contract also sends the information of the corresponding block of the blockchain, and the hash of the content of the data (which allows the buyer to verify the integrity of the data).
Dans un mode de réalisation, le contrat de consommation indique à l’acheteur la position des données dans la base de données partagée et les clefs de décryptage de la donnée. Dans un mode alternatif, le contrat réencrypte la donnée dans la base de données pour que chaque consommateur paie et pour éviter les partages de clefs.In one embodiment, the consumer contract indicates to the buyer the position of the data in the shared database and the decryption keys for the data. In an alternative mode, the contract re-encrypts the data in the database so that each consumer pays and to avoid key sharing.
Dans un mode de réalisation sans contrat intelligent, un fournisseur peut recevoir un ordre d’achat et émettre la donnée requise directement vers l’acheteur. Il écrit la transaction (avec la date et le hash) dans la chaîne de blocs. A réception, l’acheteur vérifie le bloc (avec le hash) et valide le bloc ou le rejette. Chaque membre du réseau se voit attribuer un score de valeur (VS) pour lui permettre de participer aux échanges (en tant que producteur et/ou consommateur de données). Les scores sont mis à jour en fonction du résultat. Un score VS est fonction :
-de la valeur des informations qu’il produit VS_PROD ; et
-de la valeur des informations qu’il consomme VS_CONS.In an embodiment without a smart contract, a supplier can receive a purchase order and issue the required data directly to the buyer. It writes the transaction (with date and hash) to the blockchain. Upon receipt, the buyer verifies the block (with the hash) and validates the block or rejects it. Each member of the network is assigned a value score (VS) to enable them to participate in the exchanges (as a producer and/or consumer of data). Scores are updated based on the result. A VS score is a function of:
-the value of the information it produces VS_PROD; And
-the value of the information it consumes VS_CONS.
La valeur VS peut s’exprimer sous forme d’un score, d’une cryptomonnaie, d’une monnaie réelle. Avantageusement la valeur VS peut être modifiée par conversion en valeur monétisée, lorsque que :The VS value can be expressed in the form of a score, a cryptocurrency, a real currency. Advantageously the VS value can be modified by conversion into a monetized value, when:
-un acteur achète un montant VS_MONEY de droit de consommer pour pouvoir ultérieurement consommer des données (ce qui peut être utile s’il en consomme plus qu’il n’en produit) ;- an actor buys a VS_MONEY amount of right to consume in order to be able to consume data later (which can be useful if he consumes more than he produces);
-un acteur transforme sa VS en monnaie réelle ou cryptomonnaie pour d’autres usages, ce qui diminue sa VS de la valeur transformée VS_MONEY.-an actor transforms his VS into real money or cryptocurrency for other uses, which decreases his VS by the transformed value VS_MONEY.
Le score VS est amené à évoluer en fonction de l’attractivité des données qu’il produit (nombre d’abonnés par exemple ou nombre de téléchargements ou quantité de téléchargements), de la valeur des données qu’il consomme, et des achats/ventes dans l’alternative VS_MONEY.The VS score is likely to evolve according to the attractiveness of the data it produces (number of subscribers for example or number of downloads or quantity of downloads), the value of the data it consumes, and purchases/ sales in the VS_MONEY alternative.
Les valeurs VS_PROD et VS_CONS peuvent être calculées par l’une ou combinaison des méthodes suivantes :
-valeur en quantité (au Megabyte par ex) ;VS_PROD and VS_CONS values can be calculated by one or a combination of the following methods:
- value in quantity (in Megabyte for example);
-valeur en qualité (fonction de la qualité de l’image, de la rareté, de l’angle de vue) ;
-consensus sur un prix (proposition par un consommateur, validation par le producteur ou proposition par un producteur vs. acceptation/refus par un consommateur, ou négociation) ;
-historique d’utilisation ;
-cours du jour fonction de différents paramètres ;
-fixation a priori de bornes min/max ;
-consensus a priori sur les valeurs des différentes données entre acteurs ;
-valeur liée à la qualité de l’algorithme de traitement d’images ;
-valeur liée à l’importance de l’image pour paramétrer l’algorithme de traitement d’images.-value in quality (depending on the quality of the image, the rarity, the viewing angle);
-consensus on a price (proposal by a consumer, validation by the producer or proposal by a producer vs. acceptance/refusal by a consumer, or negotiation);
- usage history;
- daily rate based on various parameters;
-a priori fixing of min/max bounds;
- a priori consensus on the values of the different data between actors;
-value linked to the quality of the image processing algorithm;
-value linked to the importance of the image to configure the image processing algorithm.
Ces valeurs ou modalités de calcul de ces valeurs sont inscrites dans un contrat intelligent. Le contrat peut-être bi-partite (accord entre deux acteurs) ou multi-partite (accord entre 1 à N fournisseurs et 1à M consommateurs).These values or methods of calculating these values are written into a smart contract. The contract can be two-party (agreement between two players) or multi-party (agreement between 1 to N suppliers and 1 to M consumers).
La chaîne de blocs contient en temps réel le score de VS pour chaque acteur du réseau : lorsque le score d’un acteur est mis à jour, la chaîne de blocs est mise à jour aussi. Avantageusement, l’utilisation de la chaîne de blocs permet d’avoir cette information distribuée sur plusieurs nœuds et donc de la rendre immuable et sécurisé ainsi que de posséder un historique certain.The blockchain contains in real time the VS score for each actor in the network: when an actor's score is updated, the blockchain is updated too. Advantageously, the use of the blockchain makes it possible to have this information distributed over several nodes and therefore to make it immutable and secure as well as to have a certain history.
Lorsqu’un consommateur récupère un jeu de données dans la chaîne de blocs, après vérification de l’intégrité (hash recalculé), la VS du fournisseur est mise à jour (ajout d’une somme si le bloc est validé, retrait d’une somme si le jeu de données était corrompu) et sa propre VS (d’une valeur inverse à celle de l’émetteur) est mise à jour. Cette transaction est écrite dans la chaîne de blocs.When a consumer retrieves a dataset from the blockchain, after integrity verification (recalculated hash), the provider's VS is updated (addition of a sum if the block is validated, removal of a sum if the dataset was corrupt) and its own VS (of an inverse value to that of the emitter) is updated. This transaction is written to the blockchain.
Chaque fournisseur peut tour à tour publier de l’information à destination des autres membres du réseau ou bien « s’abonner au réseau » via un contrat intelligent par exemple, et recevoir les informations le concernant de manière automatique.Each supplier can take turns publishing information to other members of the network or "subscribe to the network" via a smart contract for example, and receive information about it automatically.
Le système peut être hébergé dans un « cloud » ou sur des serveurs (nœuds de la chaîne de blocs) et est accessible sur multiplateformes (EFB, WebbApp On the ground, etc).The system can be hosted in a "cloud" or on servers (blockchain nodes) and is accessible on cross-platforms (EFB, WebbApp On the ground, etc).
La présente description illustre une implémentation préférentielle de l’invention, mais qui n’est pas limitative. Des exemples sont choisis pour permettre une bonne compréhension des principes de l’invention et une application concrète, mais ne sont en rien exhaustifs et doivent permettre à l’homme du métier d’apporter des modifications et des variantes d’implémentation en conservant les mêmes principes.This description illustrates a preferred implementation of the invention, but which is not limiting. Examples are chosen to allow a good understanding of the principles of the invention and a concrete application, but are in no way exhaustive and should allow those skilled in the art to make modifications and implementation variants while retaining the same principles.
L’invention peut s’implémenter à partir d’éléments matériels et/ou logiciels. Elle peut être disponible en tant que produit programme d’ordinateur sur un support lisible par ordinateur et comprend des instructions de code pour exécuter les étapes des procédés dans leurs différents modes de réalisation.
The invention can be implemented from hardware and/or software elements. It may be available as a computer program product on a computer readable medium and includes code instructions for performing the steps of the methods in their various embodiments.
Claims (21)
-recevoir 202 des données capteurs, les données étant relatives à au moins une image collectée par au moins un capteur équipant un aéronef, ledit aéronef faisant partie d’une communauté de fournisseurs d’images 102 comprenant une pluralité d’aéronefs, chaque image capteur collectée étant étiquetée avec au moins des informations d’horodatage et d’identification du fournisseur d’images, et un moyen de valider l’intégrité des données ;
-valider 204 l’intégrité des données reçues selon un processus de validation par consensus distribué 108 ;
-créer 206 un bloc de données validé, si l’intégrité des données est validée, ledit bloc validé comprenant au moins un lien vers lesdites données capteurs ; et
-mettre à disposition 208 le bloc de données validé dans un réseau de registres distribués 104.Method 200 for the secure management of an image bank for aircraft landing assistance, the method comprising at least the steps of:
-receiving 202 sensor data, the data relating to at least one image collected by at least one sensor fitted to an aircraft, said aircraft being part of a community of image providers 102 comprising a plurality of aircraft, each sensor image collected being tagged with at least timestamp and image provider identification information, and means for validating the integrity of the data;
-validating 204 the integrity of the data received according to a validation process by distributed consensus 108;
creating 206 a validated data block, if the integrity of the data is validated, said validated block comprising at least one link to said sensor data; And
- making available 208 the validated data block in a network of distributed registers 104.
Computer program comprising code instructions for executing the steps of the method for secure management of an image bank for aircraft landing assistance according to any one of Claims 1 to 19, when said program is executed by a processor.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1912479A FR3103040B1 (en) | 2019-11-07 | 2019-11-07 | METHOD AND DEVICE FOR SECURE MANAGEMENT OF AN IMAGE BANK FOR AIRCRAFT LANDING ASSISTANCE |
| PCT/EP2020/075365 WO2021089221A1 (en) | 2019-11-07 | 2020-09-10 | Method and device for secure management of an image bank for aircraft landing assistance |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1912479A FR3103040B1 (en) | 2019-11-07 | 2019-11-07 | METHOD AND DEVICE FOR SECURE MANAGEMENT OF AN IMAGE BANK FOR AIRCRAFT LANDING ASSISTANCE |
| FR1912479 | 2019-11-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3103040A1 true FR3103040A1 (en) | 2021-05-14 |
| FR3103040B1 FR3103040B1 (en) | 2023-07-14 |
Family
ID=70154464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1912479A Active FR3103040B1 (en) | 2019-11-07 | 2019-11-07 | METHOD AND DEVICE FOR SECURE MANAGEMENT OF AN IMAGE BANK FOR AIRCRAFT LANDING ASSISTANCE |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3103040B1 (en) |
| WO (1) | WO2021089221A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114760157A (en) * | 2022-06-16 | 2022-07-15 | 天津市城市规划设计研究总院有限公司 | Method and system for verifying validity of block link nodes in urban planning field |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180225651A1 (en) * | 2017-02-03 | 2018-08-09 | Smartsky Networks, Llc | Aerospace commerce exchange |
| US10089894B1 (en) * | 2017-08-30 | 2018-10-02 | Honeywell International Inc. | Apparatus and method of implementing an augmented reality processed terrain and obstacle threat scouting service |
-
2019
- 2019-11-07 FR FR1912479A patent/FR3103040B1/en active Active
-
2020
- 2020-09-10 WO PCT/EP2020/075365 patent/WO2021089221A1/en active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180225651A1 (en) * | 2017-02-03 | 2018-08-09 | Smartsky Networks, Llc | Aerospace commerce exchange |
| US10089894B1 (en) * | 2017-08-30 | 2018-10-02 | Honeywell International Inc. | Apparatus and method of implementing an augmented reality processed terrain and obstacle threat scouting service |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114760157A (en) * | 2022-06-16 | 2022-07-15 | 天津市城市规划设计研究总院有限公司 | Method and system for verifying validity of block link nodes in urban planning field |
| CN114760157B (en) * | 2022-06-16 | 2022-09-16 | 天津市城市规划设计研究总院有限公司 | Method and system for verifying validity of block chain node in urban planning field |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021089221A1 (en) | 2021-05-14 |
| FR3103040B1 (en) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3671598A1 (en) | Distributed registers for data sharing in aviation | |
| US10611474B2 (en) | Unmanned aerial vehicle data management | |
| FR3094110A1 (en) | DISTRIBUTED REGISTERS FOR THE MANAGEMENT OF THE AERONAUTICAL DATA LIFE CYCLE | |
| CN113508066A (en) | Autonomous vehicle system | |
| US20190370760A1 (en) | Blockchain and cryptocurrency for real-time vehicle accident management | |
| US20200215695A1 (en) | Robotic devices | |
| US20200356951A1 (en) | Robotic Devices | |
| US11562565B2 (en) | System for physical-virtual environment fusion | |
| WO2021052853A1 (en) | Management of flight plans by distributed registers | |
| FR3103048A1 (en) | PROCESS AND DEVICE FOR GENERATING SYNTHETIC LEARNING DATA FOR ARTIFICIAL INTELLIGENCE MACHINE FOR AIRCRAFT LANDING AID | |
| US11604832B2 (en) | System for physical-virtual environment fusion | |
| FR3095277A1 (en) | DISTRIBUTED REGISTERS FOR THE MANAGEMENT OF METEOROLOGICAL DATA IN AERONAUTICS | |
| US20200298401A1 (en) | Semantic Robotic System | |
| Ahmad et al. | Developing future human-centered smart cities: Critical analysis of smart city security, interpretability, and ethical challenges | |
| US20220343768A1 (en) | Data Exchange within a Layer Zero (L_0) HGTP, DAG, Web3 State Channel Smart Self-Healing Node Centric Blockchain Mesh Network | |
| WO2021013908A1 (en) | Analysis of aircraft trajectories | |
| EP3255614A1 (en) | Method for verifying an access right of an individual | |
| WO2021089221A1 (en) | Method and device for secure management of an image bank for aircraft landing assistance | |
| WO2021247069A1 (en) | System for physical-virtual environment fusion | |
| Walthall | Unsettled Topics Concerning Adopting Blockchain Technology in Aerospace | |
| KR20200075143A (en) | Asset trading and traceability system based on block chain | |
| Polyantseva et al. | On the Applicability of Neural Networks in the Tasks of Detecting Dangerous Movement | |
| Rateb | Blockchain for the internet of vehicles: A decentralized IoT solution for vehicles communication and payment using ethereum | |
| WO2021180441A1 (en) | Updates of navigation databases | |
| WO2021089536A1 (en) | Method and device for generating learning data for an artificial intelligence machine for aircraft landing assistance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210514 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |