CN116186754A - 一种基于区块链的联邦随机森林电力数据协作分析方法 - Google Patents
一种基于区块链的联邦随机森林电力数据协作分析方法 Download PDFInfo
- Publication number
- CN116186754A CN116186754A CN202211562855.4A CN202211562855A CN116186754A CN 116186754 A CN116186754 A CN 116186754A CN 202211562855 A CN202211562855 A CN 202211562855A CN 116186754 A CN116186754 A CN 116186754A
- Authority
- CN
- China
- Prior art keywords
- random forest
- decision tree
- blockchain
- node
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2211/00—Indexing scheme relating to details of data-processing equipment not covered by groups G06F3/00 - G06F13/00
- G06F2211/007—Encryption, En-/decode, En-/decipher, En-/decypher, Scramble, (De-)compress
- G06F2211/008—Public Key, Asymmetric Key, Asymmetric Encryption
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Storage Device Security (AREA)
Abstract
本发明公开了一种基于区块链的联邦随机森林电力数据协作分析方法,为结构化电力相关数据协同分析提供模型支撑。通过区块链来存储各参与方上传的CART决策树,利用区块链不可篡改的特性建立互信,使用智能合约执行随机森林的决策树划分和归并。通过一个双层加密机制,提高上链数据的安全性和隐私性:引入一个双层加密机制,对称密钥将用户上传的CART决策树进行加密,并将对称密钥用公钥密码学加密,仅可通过智能合约达到约定条件时才可访问,并在多轮迭代中获得最优的随机森林模型。
Description
技术领域
本发明涉及联邦学习和聚合算法领域,具体为一种面向区块链的分布式联邦随机森林聚合方法。
背景技术
当前,电力行业数据发生爆发式增长,电力数据数据分析业务在绿色环保方面起到不可忽略的支撑作用。其对实现减少碳排放和实现碳中和发展,分析各企业的用电合理性、绿电交易等都是非常关键的业务。然而,这些新型数据驱动任务涉及众多企业关键数据和用户的隐私数据。如何在保障各类数据安全的前提下,实现电力相关数据的协作分析,已成为当前非常重要的研究难点之一。当前解决多方数据协同分析的最优技术是联邦学习技术,但是其它大多关注于深度学习领域。这是因为神经网络的训练模型的参数具有可加性,如果将多个参与者训练的模型进行加权求和,可以很容易地实现全局模型的聚合。然而,在实际电力相关数据分析时,往往面临的是结构化数据,并没有太多基于机器学习的业务分析模型。因此,实现一种面向电力数据的联邦机器学习模型是非常有必要的。随机森林是一种具有代表性的机器学习算法,包含着多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定,被广泛应用于电力数据的分类和回归任务中。另一方面,由于新型电力数据驱动业务涉及多个行业,各参与方并没有地位上的区别。作为一种对等结构,要建立互信,引入区块链技术是非常有必要的。
面向电力数据的安全协作分析任务的挑战。Yin等提出了区块链与联邦深度学习相结合的安全分享方案,通过函数加密保障上链数据安全,但是该方案并不能处理电力相关数据中包含最多的结构化数据。Ahmed等提出了一个节能安全***,通过模糊算法对物联网层中的数据进行聚合,优化了边缘节点和服务器,并将区块链集成在云服务器内部为数据提供保护。但是他们没有考虑数据聚合的安全性和隐私性。
总的来说,现有技术的问题在于:1)电力相关数据分析时,往往面临的是结构化数据,然而现有的方案太多集中在非结构化数据的业务分析方案;2)目前尚无发现基于区块链的结构化电力数据协同分析方案,如果将数据直接上传到区块链上存在隐私泄露的风险,需要对链上的数据进行安全保障。
发明内容
本发明克服现有技术的不足,提供了一种新的基于农村人口空心化细粒化评估的方法。本发明的目的通过以下的技术方案实现:
本发明提供了一种基于区块链的联邦随机森林电力数据协作分析方法,包括:
S1:生成密钥;
S2:初始节点发布初始模型;
S3:训练本地CART决策树模型;
S4:竞争区块上链并广播消息;
S5:生成新区块;
S6:决策树读取;
S7:解密;
S8:随机森林聚合;
S9:参数更新;
S10:中心聚合节点公布最终的随机森林模型,参与方可使用模型对本地业务电力数据进行分析。
优选的,所述S1中,密钥管理机构为每个用户i生成用于加密的公私钥对PKi,SKi,并将所有公钥向全部用户公布;对称加密密钥由用户自己生成并通过公钥加密的形式存放到区块链上,持有对应私钥的节点可获得对称加密密钥。
优选的,所述S2中,初始随机森林模型及模型参数,模型参数包括Gini阈值和随机选取的特征数;将初始随机森林模型及模型参数写入创世块,并广播给所有节点。
优选的,所述S4中,每个节点将执行工作量证明机制来竞争生成新区块的资格,每个节点在上链前都将使用公开的测试集对决策树模型进行测试,若测试集准确率超过贡献度阈值,则获得上链资格,并按照先来先上链原则生成区块。当节点获得了生成新区块的权利,则该节点将其候选块视为一个新块,并广播给所有节点。
优选的,所述S5中,将新区块广播到区块链网络中,并获得所有节点的认可后,将正式创建新区块。
优选的,所述S6中,当用户i上传到区块链上的CART决策树时,参与者可以共同协商指定的受信节点进行聚合计算,聚合节点将从区块上读取数据下来,并保存在聚合节点中,再进行解密操作。
优选的,所述S7中,特定节点用其自身的私钥解密双层洋葱加密方法:第二层加密中用自身的公钥加密对称加密密钥K,得到用于解密第一层加密的对称加密密钥K;用对称加密密钥解密双层洋葱加密方法第一层加密中用对称加密密钥K加密的决策树T,得到用于聚合随机森林的决策树T。
优选的,所述S8中,对决策树T解密之后,聚合节点将对CART决策树进行聚合。
优选的,所述S9中,聚合节点将CART决策树解密并聚合成随机森林后,智能合约将计算随机森林的袋外错误率OOB误差,它的计算方式如下:
对每个未被选取的样本,计算它作为OOB样本的CART决策树的分类情况。然后以简单多数投票作为该样本的分类结果;最后用误分个数占样本总数的比率作为随机森林的OOB误分率;
Di表示实际使用的训练样本集,Ti表示为决策树的基分类器,y表示为样本x经过决策树后得到的预测结果,Y表示为预测结果集,令Hoob()表示对样本的包外预测,有:
则随机森林泛化误差的包外估计为:
其中D表示为训练集,聚合节点通过比较OOB误分率以及随机森林模型效果调整Gini指数阈值再下发到各个节点,节点根据新发布的Gini指数阈值和特征数Y重新建立CART决策树,进行加密之后再上传到区块链中;重复此过程,直至随机森林模型效果达到预计效果。
本发明相对于现有技术具有如下的有益效果:
1、优秀的模型准确率:通过智能合约对随机森林聚合之后,智能合约将执行评估随机森林模型的模型效果,随机森林模型的协同训练进行多次迭代,直到最终的模型准确率达到预期。
2、良好的用户隐私保护效果:本发明使用区块链的防篡改机制实现防止随机森林归并时的错误和恶意篡改。使用双层加密与智能合约将用户上传的数据隐藏在众多参与者之中,保护了用户训练数据的隐私。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明一种基于区块链的联邦随机森林电力数据协作分析方法的流程图;
图2为本发明基于区块链的联邦随机森林方案框架图。
具体实施方式
以下结合具体实施例对一种基于区块链的联邦随机森林电力数据协作分析方法作进一步的详细描述,这些实施例只用于比较和解释的目的,本发明不限定于这些实施例中。
如图1和图2所示,本发明提供了一种基于区块链的联邦随机森林电力数据协作分析方法,包括:
本发明提供了一种基于区块链的联邦随机森林电力数据协作分析方法,包括:
S1:生成密钥;
密钥管理机构为每个用户i或节点i生成用于加密的公私钥对(PKi,SKi),并将所有公钥向全部用户公布。对称加密密钥由用户自己生成并通过公钥加密的形式存放到区块链上,持有对应私钥的节点可获得对称加密密钥。
S2:初始节点发布初始模型;
初始节点通常是电力数据协作分析的发起者,如中央城市的电力管理部门。初始节点在协作训练之前创建一个创世块,使用公共数据集来训练初始随机森林模型,然后将初始随机森林模型及模型参数(Gini阈值、随机选取的特征数)写入创世块,并广播给所有节点。
S3:训练本地CART决策树模型;
每个节点在初始块中下载初始随机森林模型,并将其发送到与之关联的设备。设备使用自己的本地数据及公布的模型参数训练本地CART决策树模型,通过Gini指数对本地数据进行划分,假定当前样本集合D中第k类样本所占的比例为Pk=(1,2,…,|y|),则集合D的Gini指数为:
特征属性a的基尼指数可表示为:
在所有候选属性集合A中,选择那个使得划分后基尼指数最小的属性作为最优划分属性,即a=argmin Gini_index(D,a),直到数据集中Gini指数小于Gini阈值,则停止训练。然后,将本地模型发送到与其关联的节点。节点将验证模型,验证通过后将模型写入候选块。
S4:竞争区块上链并广播消息;
每个节点将执行工作量证明(POW)机制来竞争生成新区块的资格。每个节点在上链前都将使用公开的测试集对决策树模型进行测试,若测试集准确率超过贡献度阈值(阈值筛选出对提升全局模型准确率有贡献的模型,可人工设定),则获得上链资格,并按照先来先上链原则生成区块。假设节点1获得了生成新区块的权利,节点1将其候选块视为一个新块,广播给所有节点。
S5:生成新区块;
将新区块广播到区块链网络中,并获得所有节点的认可后,将正式创建新区块。为使用户上传到区块链上的CART决策树模型只能对特定节点(即聚合节点)可用,使用双层加密方案。第一层加密使用经典的对称加密,用本地生成的对称加密密钥直接加密决策树。第二层,利用多个特定节点的公钥对对称加密密钥分别加密。用户将对称加密后的决策树和多个公钥分别加密对称加密密钥后的多份密文一起上链存储。
S6:决策树读取;
当用户上传到区块链上的CART决策树达到时,参与者可以共同协商指定的受信节点进行聚合计算,聚合节点将从区块上读取数据下来,并保存在聚合节点中,再进行解密操作。
S7:解密;
特定节点i用自身的私钥SKi解密双层洋葱加密方法第二层加密中用自身的公钥PKi加密对称加密密钥K,得到用于解密第一层加密的对称加密密钥K;用对称加密密钥解密双层洋葱加密方法第一层加密中用对称加密密钥K加密的决策树T,得到用于聚合随机森林的决策树T。
S8:随机森林聚合;
对CART决策树解密之后,聚合节点将对CART决策树进行聚合。假定聚合包含n棵CART决策树{T1,T2,…Tn},其中Ti(x)表示在示例x上的输出。每颗CART决策树Ti将从类别标记集合{C1,C2,…Cn}中预测出一个标记。本文的结合策略是使用投票法。我们将Ti在样本x上的预测输出表示为一个m维向量其中/>是Ti在类别标记Cj上的输出。随机森林最终的预测结果采用绝对多数投票法,可以表示为:/>
k和i都是序号表示,m是因为有m维向量,n是有n棵决策树,T(x)表示为决策树的输出预测结果;即若某类别标记得票过半数,则随机森林最终的预测结果为该标记;否则拒绝预测为该标记。
S9:参数更新;
聚合节点将CART决策树解密并聚合成随机森林后。智能合约将计算随机森林的袋外错误率OOB误差(Out-of-bag Error),它的计算方式如下:对每个未被选取的样本,计算它作为OOB样本的决策树的分类情况。然后以简单多数投票作为该样本的分类结果;最后用误分个数占样本总数的比率作为随机森林的OOB误分率。OOB误分率是随机森林泛化误差的一个无偏估计,它的结果近似于需要大量计算的K折交叉验证。假设Di表示表示实际使用的训练样本集,令Hoob(x)表示对样本x的包外预测,即仅考虑那些未使用x训练的CART决策树在x上的预测,有:
则随机森林泛化误差的包外估计为:
聚合节点通过比较OOB误分率以及随机森林模型效果调整Gini指数阈值再下发到各个节点,节点根据新发布的Gini指数阈值和特征数Y重新建立CART决策树,进行加密之后再上传到区块链中。重复此过程,直至随机森林模型效果达到预计效果。
S10:中心聚合节点公布最终的随机森林模型,使用中心聚合节点公布最终的随机森林模型对本地业务电力数据进行分析。业务部门可使用最终的随机森林模型对电力数据进行分类或者回归任务,进一步优化电力业务布局,提高电力资源使用效率。
在一实施例中,某市行政部门决定收集各个街道办居民的日常用电数据进行协同分析,直接提供用户的用电数据可能会侵害用户的隐私,为了能够保障各街道办用户的数据和隐私安全,各街道办在本地将自己训练好的决策树上链,利用双层加密机制对决策树进行加密,并通过智能合约进行安全聚合,实现结构化电力相关数据的分类和回归任务,具体实现过程如下:
1.密钥管理机构为每个参与方生成用于加密的公私钥对,并将所有公钥向全部节点公布。对称加密密钥由各个参与方自己生成并通过公钥加密的形式存放到区块链上,持有对应私钥的参与方可获得对称加密密钥。
2.市区行政部门作为初始节点在协作训练之前创建一个创世块,使用公共数据集来训练初始随机森林模型,然后将初始随机森林模型及模型参数写入创世块,并广播给所有参与方的节点。
3.每个街道办在初始块中下载初始随机森林模型,并将其发送到与之关联的设备。设备使用本地居民数据及公布的模型参数训练本地CART决策树模型。将本地模型发送到与其关联的节点。节点将验证模型,验证通过后将模型通过双层洋葱加密写入候选块。
4.每个节点将执行工作量证明(POW)机制来竞争生成新区块的资格。每个节点在上链前都将使用公开的测试集对决策树模型进行测试,若测试集准确率超过贡献度阈值(阈值筛选出对提升全局模型准确率有贡献的模型,可人工设定),则获得上链资格,并按照先来先上链原则生成区块。假设节点1获得了生成新区块的权利,节点1将其候选块视为一个新块,广播给所有节点。
5.节点1将新区块广播到区块链网络中,并获得所有节点的认可后,将正式创建新区块。
6.当参与者提交决策树模型到区块链网络上的数量达到n时,将触发智能合约的执行条件,参与者可以共同协商指定的受信节点进行聚合计算。智能合约将执行评估随机森林模型的模型效果,同时调整参数使节点重新建立决策树,进行加密之后再上传到区块链网络中。随机森林模型的协同训练进行多次迭代,直到最终的模型准确率达到预期。
7.市区行政部门公布最终的随机森林模型,各街道办可以根据发布的模型对本街道居民的电力数据进行分析。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (9)
1.一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,包括:
S1:生成密钥;
S2:初始节点发布初始模型;
S3:训练本地CART决策树模型;
S4:竞争区块上链并广播消息;
S5:生成新区块;
S6:决策树读取;
S7:解密;
S8:随机森林聚合;
S9:参数更新;
S10:中心聚合节点公布最终的随机森林模型。
2.根据权利要求1所述的一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,所述S1中,密钥管理机构为每个用户i生成用于加密的公私钥对PKi,SKi,并将所有公钥向全部用户公布;对称加密密钥由用户自己生成并通过公钥加密的形式存放到区块链上,持有对应私钥的节点可获得对称加密密钥。
3.根据权利要求1所述的一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,所述S2中,初始随机森林模型及模型参数,模型参数包括Gini阈值和随机选取的特征数;将初始随机森林模型及模型参数写入创世块,并广播给所有节点。
4.根据权利要求1所述的一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,所述S4中,每个节点将执行工作量证明机制来竞争生成新区块的资格,每个节点在上链前都将使用公开的测试集对决策树模型进行测试,若测试集准确率超过贡献度阈值,则获得上链资格,并按照先来先上链原则生成区块。当节点获得了生成新区块的权利,则该节点将其候选块视为一个新块,并广播给所有节点。
5.根据权利要求1所述的一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,所述S5中,将新区块广播到区块链网络中,并获得所有节点的认可后,将正式创建新区块。
6.根据权利要求1所述的一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,所述S6中,当用户i上传到区块链上的CART决策树时,参与者可以共同协商指定的受信节点进行聚合计算,聚合节点将从区块上读取数据下来,并保存在聚合节点中,再进行解密操作。
7.根据权利要求1所述的一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,所述S7中,特定节点用其自身的私钥解密双层洋葱加密方法:第二层加密中用自身的公钥加密对称加密密钥K,得到用于解密第一层加密的对称加密密钥K;用对称加密密钥解密双层洋葱加密方法第一层加密中用对称加密密钥K加密的决策树T,得到用于聚合随机森林的决策树T。
8.根据权利要求1所述的一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,所述S8中,对决策树T解密之后,聚合节点将对CART决策树进行聚合。
9.根据权利要求1所述的一种基于区块链的联邦随机森林电力数据协作分析方法,其特征在于,所述S9中,聚合节点将CART决策树解密并聚合成随机森林后,智能合约将计算随机森林的袋外错误率OOB误差,它的计算方式如下:
对每个未被选取的样本,计算它作为OOB样本的CART决策树的分类情况。然后以简单多数投票作为该样本的分类结果;最后用误分个数占样本总数的比率作为随机森林的OOB误分率;
Di表示实际使用的训练样本集,Ti表示为决策树的基分类器,y表示为样本x经过决策树后得到的预测结果,Y表示为预测结果集,令Hoob()表示对样本的包外预测,有:
则随机森林泛化误差的包外估计为:
其中D表示为训练集,聚合节点通过比较OOB误分率以及随机森林模型效果调整Gini指数阈值再下发到各个节点,节点根据新发布的Gini指数阈值和特征数Y重新建立CART决策树,进行加密之后再上传到区块链中;重复此过程,直至随机森林模型效果达到预计效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211562855.4A CN116186754A (zh) | 2022-12-07 | 2022-12-07 | 一种基于区块链的联邦随机森林电力数据协作分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211562855.4A CN116186754A (zh) | 2022-12-07 | 2022-12-07 | 一种基于区块链的联邦随机森林电力数据协作分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116186754A true CN116186754A (zh) | 2023-05-30 |
Family
ID=86451346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211562855.4A Pending CN116186754A (zh) | 2022-12-07 | 2022-12-07 | 一种基于区块链的联邦随机森林电力数据协作分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186754A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502732A (zh) * | 2023-06-29 | 2023-07-28 | 杭州金智塔科技有限公司 | 基于可信执行环境的联邦学习方法以及*** |
CN116827971A (zh) * | 2023-08-29 | 2023-09-29 | 北京国网信通埃森哲信息技术有限公司 | 基于区块链的碳排放数据存储与传输方法、装置与设备 |
-
2022
- 2022-12-07 CN CN202211562855.4A patent/CN116186754A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502732A (zh) * | 2023-06-29 | 2023-07-28 | 杭州金智塔科技有限公司 | 基于可信执行环境的联邦学习方法以及*** |
CN116502732B (zh) * | 2023-06-29 | 2023-10-20 | 杭州金智塔科技有限公司 | 基于可信执行环境的联邦学习方法以及*** |
CN116827971A (zh) * | 2023-08-29 | 2023-09-29 | 北京国网信通埃森哲信息技术有限公司 | 基于区块链的碳排放数据存储与传输方法、装置与设备 |
CN116827971B (zh) * | 2023-08-29 | 2023-11-24 | 北京国网信通埃森哲信息技术有限公司 | 基于区块链的碳排放数据存储与传输方法、装置与设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220230071A1 (en) | Method and device for constructing decision tree | |
CN116186754A (zh) | 一种基于区块链的联邦随机森林电力数据协作分析方法 | |
CN112380578A (zh) | 一种基于区块链和可信执行环境的边缘计算框架 | |
Nouman et al. | Malicious node detection using machine learning and distributed data storage using blockchain in WSNs | |
CN113114454B (zh) | 一种高效隐私的外包k均值聚类方法 | |
Nova et al. | Floyd–Warshalls algorithm and modified advanced encryption standard for secured communication in VANET | |
Sagar et al. | A symmetric key cryptography using genetic algorithm and error back propagation neural network | |
Ning et al. | Traceable CP-ABE with short ciphertexts: How to catch people selling decryption devices on ebay efficiently | |
Senthil Kumar et al. | An artificial intelligence approach for enhancing trust between social IoT devices in a network | |
CN113052744A (zh) | 一种基于区块链的智慧社区*** | |
Li et al. | FEEL: Federated end-to-end learning with non-IID data for vehicular ad hoc networks | |
Sun et al. | Fed-DFE: A Decentralized Function Encryption-Based Privacy-Preserving Scheme for Federated Learning. | |
Yang et al. | Cloud-based privacy-and integrity-protecting density peaks clustering | |
Dhanaraj et al. | Probit cryptographic blockchain for secure data transmission in intelligent transportation systems | |
Zhao et al. | Privacy-preserving electricity theft detection based on blockchain | |
Yang et al. | PIPC: privacy-and integrity-preserving clustering analysis for load profiling in smart grids | |
CN109104449A (zh) | 一种云存储环境下的多备份数据持有性证明方法 | |
Yang et al. | Accountable and verifiable secure aggregation for federated learning in IoT networks | |
CN114936892A (zh) | 基于联邦迁移学习标签传播的线下商品推荐***及方法 | |
CN107231369A (zh) | 一种基于云计算的高效数据处理方法 | |
Rajasekar et al. | Quantum Blockchain: An Emerging Cryptographic Paradigm | |
Sandhya Rani et al. | Multicast Symmetric Secret Key Management Scheme in Mobile Ad-hoc Networks | |
Bhoware et al. | Performance Analysis of Network Security System Using Bioinspired-Blockchain Technique for IP Networks | |
Zhao et al. | ePMLF: Efficient and Privacy‐Preserving Machine Learning Framework Based on Fog Computing | |
Geetha et al. | Survey: cryptography optimization algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |