基于激励机制的联邦学习优化算法

针对联邦学习的训练过程迭代次数多、训练时间长、效率低等问题,提出一种基于激励机制的联邦学习优化算法。首先,设计与时间和模型损失相关的信誉值,基于该信誉值,设计激励机制激励拥有高质量数据的客户端加入训练。其次,基于拍卖理论设计拍卖机制,客户端通过向雾节点拍卖本地训练任务,委托高性能雾节点训练本地数据从而提升本地训练效率,解决客户端间的性能不均衡问题。最后,设计全局梯度聚合策略,增加高精度局部梯度在全局梯度中的权重,剔除恶意客户端,从而减少模型训练次数。

委托计算下基于区块链的公平支付方案

传统委托计算中,由于参与者双方的自利行为,存在委托方抵赖和计算方不诚实计算等问题。在支付阶段,需采用第三方来保证支付的公平性,从而导致额外的开销且存在泄露参与者隐私的风险。利用博弈论分析了支付过程中双方达到纳什均衡解,提出一种基于比特币时间承诺的公平支付协议。首先,利用比特币时间承诺技术保证参与者支付的公平性;其次,利用区块链去中心化的特性来取代第三方服务保护各方隐私且实现责任溯源;最后从安全性和正确性对方案进行分析,证明了参与者在支付过程中诚实选择行为策略。所提方案不仅解决了传统委托计算中公平支付的难题而且保护了参与方的隐私。

基于SM2盲签名的电子投票方案

针对当前电子投票系统中存在的安全性弱、效率低、可验证性难等问题,提出了一种基于椭圆曲线公钥密码算法(SM2)盲签名的电子投票方案。首先,设计了一种基于SM2的轻量级盲签名算法,保证了投票过程的匿名性和机密性。其次,通过引入区块链技术替代可信第三方实现计票的完整性与准确性,并且利用智能合约提高了计票效率。最后,理论分析和实验表明,该设计方案不仅满足电子投票系统的基本安全属性,而且能够提高电子投票的效率。