基于模型聚合的去中心化拜占庭鲁棒算法

针对联邦学习中拜占庭用户发送任意错误信息,污染全局模型,影响联邦学习安全性和有效性的问题,在含未知数量拜占庭用户的去中心化网络中,提出可验证的去中心化联邦学习方法.该方法使用SCORE函数,基于验证数据集评估未知属性用户对于全局模型性能的影响,进而排除恶意模型更新并实施安全梯度聚合,实现安全高效的联邦学习.对SCORE函数得分结果进行阈值划分,降低用户属性分类的错误率并提高诚实用户的容错率.通过理论证明可验证的去中心化联邦学习算法的收敛性,并且通过大量数值实验验证所提方法对于拜占庭用户数量和攻击类型的鲁棒性.实验结果表明,在同等拜占庭攻击条件下,所提方法相较于其他容错算法具有更优的分类准确度.

工控网络安全新兴理念及发展态势分析

随着数字技术的泛在化和网络攻击的与日俱增,加之AI和量子计算等颠覆性技术开始应用,常规网络安全防护理念及技术已不能满足新形势下关键基础设施工控网络安全的需求。本文描述了九位一体安全深度防护、设计安全、默认安全等新兴安全理念的概念、模型结构、特性及应用,并简要分析了边缘计算、AI、量子计算、分布式账簿、去中心化网络安全管理等新兴技术方面的发展态势。

基于SaaS的去中心化SNS平台的设计与实现

当前的社交网络主要以集中式的方式提供,这种方式一方面增加了用户信息融合的复杂性,另一方面降低了用户信息的便携性,为了克服以上的不足,去中心化的SNS(DSN)不断的被人们重视。本研究将为用户提供一个DSN的申请管理平台,该平台不仅可以融合不同社交网络中的数据,为用户提供统一的个人信息管理,同时基于云计算的SaaS架构设计,可以为用户提供可配置、可伸缩、高安全的去中心化社交服务。

基于区块链构建安全去中心化的联邦学习方案

联邦学习甫一问世便得到了广泛的关注,被认为是一种具有广阔前景的分布式机器学习范式.然而,传统联邦学习方案基于中央服务器的集中式设计,在效率和可扩展性上存在不足.此外,集中式设计需要有可信的中央节点协调参与者完成训练,可能导致信任和可靠性的问题,例如中央服务器被操控或是出现单点故障.为了解决上述问题,相关领域的研究人员提出了基于区块链的去中心化联邦学习方案.去中心化联邦学习修补了传统集中式联邦学习的缺陷,但与此同时也引入了全新的攻击面.具体而言,由于区块链将网络中节点发起的全部事务保存在一个公开共享的数字账本,所有区块链节点都可以获取联邦学习参与者每轮的本地训练模型副本.这一现象严重地侵害了参与者的数据隐私和自身利益.在上述困境的驱动下,本文提出了一种安全去中心化联邦学习的可行方案,能够同时解决联邦学习参与者的数据机密性问题和学习公平性问题.区别于此前的研究工作,还提出了一种基于区块链的联邦学习的生产–消费模型,用于在模型安全聚合过程中审查参与者的本地行为,防止出现参与者不劳而获或是虚假训练的情况,在此基础上本文提出APoS共识机制,提供一种激励与审查机制,确保参与者在联邦学习的过程中倾向于选择诚实的训练.

NFT交易的法律意涵及其规制路径

NFT自其诞生伊始就受到了市场与资本的追捧,但与庞大的市场规模不成正比的是NFT交易的治理路径与规则体系。目前,立法与理论依旧无法就如下两个问题达成共识,即NFT“是什么”以及“怎么管”。现阶段较为科学且现实的路径是承认NFT具备多样化法律定性的可能,即同时具备数字财产、数字身份以及去中心化金融产品三类属性的可能,并且,在已有共识的基础上,构建最大化买卖双方权利转移的交易关系。具体到我国,考虑到本土化数字藏品与NFT之间的重叠关系,我们也应在着力发掘技术潜在价值的同时,探讨多样化NFT产品的开发,并在激活市场活力的同时进行交易规则与平台合规预研,以应对可能到来的金融、侵权等风险。

智能区块链与区块链智能:构筑DePIN的基础设施智能

去中心化物理基础设施网络是未来数字社会不可或缺的基石,它将传统依赖于集中式控制和管理的物理设施转变为由社区驱动且自主治理的新型基础设施网络,而区块链与人工智能(artificial intelligence,AI)技术的深度融合在其中起到了关键的赋能作用。为此,首先强调有机结合“AI赋能区块链”与“区块链赋能AI”,形成协同增效的双向闭环回路,以构建真正意义上的智能区块链,从而实现区块链智能新范式。其次,提出智能区块链的新型技术架构:一方面,将智能性内嵌至传统区块链架构的每一层,以培育从基础智能到基础设施智能再到应用智能的区块链智能生态;另一方面,为实际智能区块链构建与之对应的人工的智能区块链,并通过二者的虚实反馈与平行执行,形成从静态规则导向到动态适应演进的区块链智能生态。然后,从智慧合约、去中心化身份、知识管理、自主治理等角度辨析区块链智能的核心智能属性。最后,概述区块链智能的典型应用场景及面临的关键挑战。积极推进智能区块链与区块链智能技术的研究与发展,有助于构筑未来数字时代的核心基础设施。

联邦服务:基于分布式数据共治的智能服务范式

随着数字化转型的加速,数据已成为驱动科技创新与经济增长的核心要素。然而,广泛存在的数据孤岛现象严重阻碍了跨领域、跨组织间的数据流通与合作,使得数据供应难以满足多样化的用户需求,数据的供需匹配面临严峻挑战。作为联邦生态的核心环节和对外赋能的重要窗口,联邦服务基于分布式数据共治原则,促进了跨领域、跨组织的数据流通与协同,为智能的供需匹配提供了一种有效的技术框架。首先,探讨联邦服务在联邦生态中的重要地位以及与联邦生态各环节的关系。其次,提出联邦服务的5层基本框架,并探讨其核心优势。在此基础上,提出联邦服务的关键支撑技术,主要包括区块链和去中心化自治组织与运营、大语言模型和场景工程、分布式计算和边缘计算、加密技术和隐私计算。最后,以数据与场景的供需匹配为应用案例,介绍联邦服务如何实现智能的供需匹配。提出的联邦服务理论与技术对于构建基于分布式数据共治的智能服务范式具有重要意义。

基于A-Star算法的Ad Hoc无线网络最优路由模型研究

无线自组网是一种以AdHoc网络为核心的去中心化网络模型,该网络模型具有自管理、多跳传输的功能,还具有在无基础设施的情况下快速组网、抗毁灭性强等特点。针对现有自组网体系结构,研究一种基于最优路径算法的数据传输路由。通过每一个网络节点共同组建的网络拓扑模型,利用A-Star算法计算出发送节点到目标节点之间的最优化路径和次优化路径,找到数据在网络节点间传输的最优化路由,从而实现数据在去中心化网络模型中的快速传输。

基于ActivityPub协议的去中心化社交网络分析

ActivityPub协议是W3C正式开发的一个联邦协议,基于该协议的不同社交网络之间可以实现跨站互通,扩大信息的传播范围,增加信息的监管难度。目前,实现ActivityPub协议的服务软件包括Mastodon、PeerTube、PixelFed和WriteFreely等等,这些不同的社交网站之间支持数据互通,被统称为“联邦宇宙社交网络”。本文将以“Mastodon”为主要调研对象,分析基于ActivityPub协议的去中心化社交网络平台的实现原理和特点,总结其安全风险和存在的监管挑战。

基于敏捷治理的社区应急管理研究

社区是社会治理的基本单元和关键环节,但目前,以构建多元治理主体合作为重点的社区治理机制尚未完全建立,使得社区应急管理面临资源不足和资源利用率低等问题。由于时间的紧迫性、任务的艰巨性、风险的危害性,导致社区在面对突发事件时资源不足和资源利用率低的矛盾进一步凸显。对此,可以从社区风险管理和社区应急救援两方面进行基于敏捷治理的实践探索,包括社区风险登记制度建立、社区重大风险情景构建、社区风险地图绘制、社区合作共同体构建以及社区应急救援的人防、物防和技防等适用敏捷治理的具体措施,以优化社区应急管理体系。

开放教育资源的未来形态

传统上,开放教育资源被定义为存在于公共领域或者根据开放许可协议发布允许他人不受限制或者受到有限限制免费获取、使用、改编和再分配的教育内容。然而,教育内容的性质随着新技术的出现而发生变化,开放教育资源的性质也随之发生变化。本文讨论四种主要技术对我们理解开放教育资源的影响,即云基础设施、开放数据、人工智能和内容寻址。文章认为,这些技术催生了一种动态和自适应的资源模式,这种资源按需创建,并根据不断变化的要求和数据源而变化。资源的创建过程是分布式、基于社区的过程,支持旨在提升学生体验而非内容传输的教学法。因此,内容出版和授权许可的重要性将受到削弱,而其获取和互用性则会成为关注热点。