可信区块链联邦学习技术在无线通信网中的研究与应用

随着无线通信技术的快速发展，越来越多的数据产生并在网络中传输，包括个人隐私信息和商业机密等敏感数据。数据安全和隐私保护引发通信行业的广泛关注，并已成为人工智能大规模落地的关键挑战点。可信区块链联邦学习从保障信息安全的角度发展人工智能，被誉为最有前景解决这一挑战的新方向。归纳了当前行业面临的关键问题和挑战，分析了可信区块链联邦学习的国内外主要研究状况。讨论了无线通信网中典型的区块链联邦学习的系统架构，并阐述了其系统功能和实现的关键技术。在此基础上，给出该系统下的典型应用场景，为可信人工智能从理论走向实用提供了可能性。     

基于区块链的可信数据交换技术与应用

基于区块链的可信数据交换技术能实现去中心化网络中隐私数据的保护与流通,推动数字化时代打破“数据孤岛”壁垒。分析了可信数据交换的背景和需求,阐述了基于区块链可信数据交换及其关键技术,并结合区块链底层基础设施平台展示了应用情况。     

基于差分隐私的联邦学习数据隐私安全技术

联邦学习方法在大数据时代有效解决了“数据孤岛”问题,也在一定程度上保障了数据隐私安全。然而,联邦学习的许多方面仍面临隐私风险。首先归纳总结了联邦学习面临的常见隐私威胁,并针对不同类型的隐私威胁归纳出对应的隐私保护措施;其次重点针对差分隐私方法进行了探讨,归纳总结了一些差分隐私的实现方法;最后基于差分隐私设计了一种适用于联邦学习系统的隐私保护手段。     

基于混合隐私的区块链高效模型协同训练共享方案

针对海量数据下,基于区块链的联邦学习数据共享平台面临的效率低下和隐私泄露问题,该文提出基于混合隐私的区块链高效模型协同训练共享方案。在该方案中,首先根据欧氏距离设计了一种基于相似度的训练成员选择算法来选择训练成员,组成联邦社区,即通过选取少量的高匹配训练节点来提高训练的效率和效果。然后,结合阈值同态加密和差分隐私,设计一种基于混合隐私技术的模型协同训练共享方案来保证训练和共享过程中的隐私性。实验结果和系统实现表明,所提方案可以在保证训练结果准确率的情况下,实现高效训练和隐私保护下的数据共享。     

联邦学习框架实现难点剖析

联邦学习是一种保护机密性的机器算法，可有效的应用于工业物联网。在联邦学习中，服务器协调多个客户端以进行模型学习。区块链在物联网和联邦学习中使用，可以有效的保持数据完整性，并吸引足够的数据和计算资源。机器学习已经发展阶段，大量高质量数据已成为限制发展的因素。在此背景下，对数据交换需求不断增长。传统的机器学习需要集中数据，对于数据孤岛和隐私要求，使各个业务部门无法做到交换数据。为了解决这个问题，联邦学习框架应运而生，本文分析了联邦学习框架的设计应用，分析了现行联邦学习框架存在的实现难点，以便相关人士更好地理解联邦学习框架。     

联邦学习与数据安全研究综述

数据孤岛是制约人工智能技术发展和落地的主要障碍,随着国家与个人对隐私保护意识的增强,联邦学习在数据不共享的情况下,却能达到数据共享目的,受到广泛关注,联邦学习分为:横向联邦学习、纵向联邦学习和联邦迁移学习,具有数据隔离、质量保证、各参数方地位等同、独立性等优点,但联邦学习也存在很多的安全隐患,本文详细探讨了联邦学习的原理,提出了中央服务器、数据传输、单方数据污染、数据泄露以及对抗攻击等重要的数据安全问题,并汇总介绍了当前主要的防御措施。     

基于PSI的纵向联邦学习数据隐私安全技术

联邦学习系统较好地解决了“数据孤岛”问题，也在一定程度上保护了私密训练数据，然而目前联邦学习仍然存在一些隐私安全风险。首先根据联邦学习系统的不同运行阶段归纳总结了其中的隐私安全威胁，并给出了一些解决办法；其次重点讨论了纵向联邦学习系统中的样本对齐问题，讨论和分析了现有的私密求交的基本方法，提出了一种基于零知识证明的私密求交方法并给出了一些改进方向；最后，基于该私密求交方法，讨论了该方法如何与其他方法结合进行联邦学习隐私保护。     

基于隐私计算技术的金融行业跨域融合建模研究

为解决数据孤岛问题，金融机构对融合其他行业数据进行跨域建模需求日渐强烈，如何通过技术手段在保障数据资产安全和隐私的前提下实现数据融合和价值流通值得潜精研思。本研究重点基于隐私计算技术，结合通信行业大数据能力，提出一种面向金融行业跨域建模的研究方法，并从隐私计算技术架构、联邦学习融合建模、行业模型应用三个环节对该方法进行实践，最后总结其创新优势和价值提升点，以期提供有益思考。     

基于区块链技术的运营商大数据治理框架构建研究

运营商大数据是我国数据要素市场的重要组成部分之一,目前大数据治理技术难以满足运营商大数据隐私保护与共享的双重要求。分析运营商大数据特点及治理方法现状,提出一套基于区块链技术的运营商大数据治理框架。区块链技术的行业应用仍处于初级阶段,区块链技术与数据治理技术结合将为运营大数据提供更广阔的发展空间。     

关于车联网联邦学习中可信信誉管理方法的研究

联邦学习由于其分布式、隐私保护等特点有望应用到车联网中，然而由于缺少相应的本地模型质量验证机制，全局模型容易受到恶意用户的攻击从而导致模型训练的准确率降低。提出一种车联网中分层区块链使能的联邦学习信誉管理架构。首先介绍整个架构的组成以及具体的工作流程，然后设计智能合约为系统提供更加灵活可信的信誉意见共享环境，并开发一种轻量级的区块链共识算法，以提升区块链的运行效率。仿真结果表明所提方法能够筛选出恶意用户，同时保证数据隐私和安全，从而提高FL的准确性。     

联邦学习在移动通信网络智能化的应用

为解决移动通信网络智能化中因用户隐私保护、数据孤岛等因素导致数据无法集中训练等问题,网络可融入联邦学习技术,构建高效的分布式可信网络智能化架构.概述了联邦学习研究现状以及标准现状,介绍了基于联邦学习的网络智能化架构,并基于该架构验证了客户体验管理应用案例,为移动通信网络与联邦学习的融合提供了参考和借鉴,进一步推动了联邦...     

基于知识联邦的数据要素流通创新体系

随着大数据和人工智能的蓬勃发展,如何保护数据安全已然成为亟需解决的问题。在此背景下,隐私计算技术提供了一种新型的数据要素流通模式。结合大数据、人工智能、密码学,提出一种基于知识联邦的数据要素流通创新体系以解决当前数据要素流通面临的初级业务问题,以及不同等级数据的安全性和隐私性问题,充分发挥数据的业务价值,并实现量化,通过数据价值评估推进数据要素市场流通的良性循环。     

医疗数据场景下的联邦学习研究综述

随着人工智能与医疗大数据的融合,医疗数据隐私保护成为制约其发展的核心问题,联邦学习作为新型分布式隐私计算框架,旨在解决隐私安全于数据共享之间的矛盾。目前基于联邦学习的框架已运用于诸多医疗场景,取得较好成效,因此对联邦学习的概念、应用和未来发展的分析尤为重要。文章首先介绍联邦学习的概念、分析特点和列举现有框架;接着对联邦学习的三个应用领域,医疗影像、疾病风险预测和药物挖掘进行梳理,并介绍最新相关研究;最后从可解析性、安全性、性能效率三个角度探讨展望联邦学习未来研究方向。     

基于区块链的健康医疗大数据平台构建

本文针对我国健康医疗大数据平台运行中普遍存在的问题,提出基于区块链技术的健康医疗大数据平台构建。结合区块链技术特点,从去中心化、协同治理、透明化和市场化、智能合约、可追溯等方面分析区块链技术和健康医疗大数据平台的耦合关系,阐述了区块链技术在参与主体、系统功能和数据属性等方面的应用。最后,对基于区块链技术的健康医疗大数据平台在实际运营中面临的挑战进行了分析和总结。     

基于联邦学习的本地化差分隐私机制研究

联邦学习与群体学习作为当前热门的分布式机器学习范式，前者能够保护用户数据不被第三方获得的前提下在服务器中实现模型参数共享计算，后者在无中心服务器的前提下利用区块链技术实现所有用户同等地聚合模型参数。但是，通过分析模型训练后的参数，如深度神经网络训练的权值，仍然可能泄露用户的隐私信息。目前，在联邦学习下运用本地化差分隐私(LDP)保护模型参数的方法层出不穷，但皆难以在较小的隐私预算和用户数量下缩小模型测试精度差。针对此问题，该文提出正负分段机制(PNPM)，在聚合前对本地模型参数进行扰动。首先，证明了该机制满足严格的差分隐私定义，保证了算法的隐私性；其次分析了该机制能够在较少的用户数量下保证模型的精度，保证了机制的有效性；最后，在3种主流图像分类数据集上与其他最先进的方法在模型准确性、隐私保护方面进行了比较，表现出了较好的性能。     

基于代理重加密的区块链数据受控共享方案

区块链以分布式共享全局账本的形式存储交易数据，数据共享难以实现隐私保护和可用性之间的平衡，现有的区块链数据共享方案在进行隐私保护的同时可用性较低，有效实现区块链数据访问权限的动态调整是一个挑战性问题.为此，本文提出基于代理重加密的区块链数据受控共享方案.首先，基于SM2构造代理重加密算法，并借此设计区块链数据受控共享方案，利用代理重加密保护交易数据隐私实现数据安全共享.其次，提出用户权限动态调整机制，区块链节点分工代理并对重加密密钥参数分割管理，实现用户访问权限确定性更新，交易数据的可见性得到动态调整.最后，安全性和性能分析表明，本方案可以在保护交易隐私的同时，实现区块链数据动态共享，并且在计算开销方面具有优势，更好地适用于区块链数据受控共享.     

基于区块链的健康医疗数据隐私保护

文章基于数据存储、数据共享、数据溯源等数据生命周期的关键环节中的数据隐私保护,建立了基于区块链技术的健康医疗数据隐私保护的模型。     

基于属性密码体制的区块链安全技术研究进展

区块链是一种集合了分布式存储、点对点传输、共识机制、密码学算法和智能合约等关键技术的分布式账本,具有去中心化、不可篡改、透明化等特性.近年来区块链技术的安全性问题逐渐显露,阻碍了区块链应用的发展.本文介绍了区块链的基本概念与安全模型,分析了区块链的安全性问题;然后,基于属性密码体制,从访问控制、密钥管理、数据隐私保护这...     

联邦学习与其在不同产业中的应用概述

联邦学习(Federated Learning)是机器学习的一种新的范式,它可以跨设备进行分布式学习,以消除“数据孤岛”问题,同时保护模型在学习过程中的数据交互隐私。文中首先对联邦学习的兴起和发展进行概述;其次归纳了联邦学习的定义及算法;然后重点介绍了联邦学习在医疗、金融等行业中的应用,探讨了联邦学习现在面临的挑战;最后展望了联邦学习在当今时代的发展前景。     

探索基于区块链的网络隐私数据安全防护举措

现阶段,基于网络隐私数据相关保护机制是可以最大程度保护用户传输相关数据以及隐私,再配合数据共享等技术手段,能在不同节点之间有效交换数据,此举避免不法之徒的恶意攻击和盗取数据。鉴于此,文章首先论述了基于区块链模型设计的相关原理,其次探讨了安全防护模型具体构建的举措,第三针对相关安全防护模型进行了性能测试分析,最后论述了基于区块链的网络隐私数据安全防护模型设计过程当中相关注意事项,希望该文论述能为我国网络数据安全保护工程顺畅有序的开展,提供一些帮助和借鉴。