人工智能与物联网(Internet of Things,IoT)结合,可以改善物联网中应用的使用体验。在物联网中,数据共享可以改善应用的质量,但是同时也带来了数据安全问题,比如数据在共享过程中存在泄露和无法验证等问题。文中提出一种结合分布式联邦...人工智能与物联网(Internet of Things,IoT)结合,可以改善物联网中应用的使用体验。在物联网中,数据共享可以改善应用的质量,但是同时也带来了数据安全问题,比如数据在共享过程中存在泄露和无法验证等问题。文中提出一种结合分布式联邦学习和区块链以及具备加密验证的方案,用来保护物联网中共享数据的隐私和数据的有效性。首先,利用联邦学习和区块链将物联网中由直接共享原始数据转化为共享加密的模型参数。接着,提出具备加密验证的方法,在模型聚合阶段对链上参数进行验证和挑选。最后,将所提方法与其他方法进行对比。实验结果表明,所提方法能够有效保证数据隐私并可以实现加密数据的验证,保证最终模型的精度,为物联网中数据高质量共享提供保障。展开更多
在传统的联邦学习系统中,中央服务器在接收到参与方上传的本地模型后,没有对本地模型的合法性进行验证,可能导致后续模型不可靠即模型存储可靠性问题。针对该问题提出一种基于区块链隐私增强的联邦学习可验证安全存储方案(blockchain-ba...在传统的联邦学习系统中,中央服务器在接收到参与方上传的本地模型后,没有对本地模型的合法性进行验证,可能导致后续模型不可靠即模型存储可靠性问题。针对该问题提出一种基于区块链隐私增强的联邦学习可验证安全存储方案(blockchain-based federated learning for model verified security storage, BFL4MVSS)。利用区块链技术,提出验证者投票机制,保证存储模型的可靠性;引入一种奖励机制,允许系统在一定数量的恶意节点存在下正常运行。采用PyTorch框架在MNIST数据集上进行仿真验证,结果表明,其能够在15%的恶意节点的参与下确保模型具有良好的表现。展开更多
文摘人工智能与物联网(Internet of Things,IoT)结合,可以改善物联网中应用的使用体验。在物联网中,数据共享可以改善应用的质量,但是同时也带来了数据安全问题,比如数据在共享过程中存在泄露和无法验证等问题。文中提出一种结合分布式联邦学习和区块链以及具备加密验证的方案,用来保护物联网中共享数据的隐私和数据的有效性。首先,利用联邦学习和区块链将物联网中由直接共享原始数据转化为共享加密的模型参数。接着,提出具备加密验证的方法,在模型聚合阶段对链上参数进行验证和挑选。最后,将所提方法与其他方法进行对比。实验结果表明,所提方法能够有效保证数据隐私并可以实现加密数据的验证,保证最终模型的精度,为物联网中数据高质量共享提供保障。
基金supported by National Natural Science Foundation of China(No.62271291)Key Program of the Natural Science Foundation of Shandong Province(No.ZR2020LZH009)。
文摘虹膜验证因其独特性、稳定性和非侵入性而受到广泛关注。深度学习技术在虹膜验证领域取得了重要的进展,通过使用卷积神经网络(Convolutional neural network,CNN),可以自动提取和学习虹膜图像的特征,实现高精度的身份验证。然而,类内变异性和有限的数据规模等挑战可能会影响验证准确性。为了解决这些问题,我们提出了一种基于动态数据增强和对比学习的虹膜验证方法。设计了四种数据增强策略,用于在线虹膜增强和数据集扩展,通过使用数据增强概率调度器(Data augmentation probability scheduler,DAPS),进一步提高了虹膜验证的准确性。采用MobileNetV3作为骨干网络,并通过对比学习对其进行优化,用于处理3通道的虹膜对。提出的方法在两个基准虹膜数据库,CASIA-V4-Interval和CASIA-V4-Thousand上进行了评估,准确性分别达到了99.85%和98.82%。实验结果表明,在训练样本数量较少的情况下,该方法可获得具有竞争性的性能。
文摘在传统的联邦学习系统中,中央服务器在接收到参与方上传的本地模型后,没有对本地模型的合法性进行验证,可能导致后续模型不可靠即模型存储可靠性问题。针对该问题提出一种基于区块链隐私增强的联邦学习可验证安全存储方案(blockchain-based federated learning for model verified security storage, BFL4MVSS)。利用区块链技术,提出验证者投票机制,保证存储模型的可靠性;引入一种奖励机制,允许系统在一定数量的恶意节点存在下正常运行。采用PyTorch框架在MNIST数据集上进行仿真验证,结果表明,其能够在15%的恶意节点的参与下确保模型具有良好的表现。