Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT

系统模型

1. 威胁模型
   K个数据提供者，一个数据请求者，都可能是不诚实的。
   提供数据的质量：可能不准确有偏见。
   数据的隐私性：攻击者尝试推断攻击，合谋攻击。
   数据的授权：一旦原始数据被分享，数据拥有者会失去控制权。
2. 我们提出的架构
   许可链模型和联邦计算模型。
   许可链：为设备之间建立安全连接。矿工是基站节点和路边单元节点。两种类型交易：检索交易和数据分享交易。

安全数据分享的区块链和联邦学习

1. 标准化的加权图
   定义一个两步距离度量学习方案来检索文本数据：量化特定数据的相似度。
   每个用户ni，有数据txi，权重wni，每个边连接节点ni和nj，以及权重。
   使用权重矩阵A=aij来表示这个图，所有的文本文件转化为图。
   将这些图合并成一个全局图。在根据一些聚类算法对数据集进行分类，按照分类结果对参与者进行分组。
2. 多方数据检索
   这里只使用区块链来检索数据，原始数据被存储在数据拥有者的本地。数据提供者加入时要有一个数据资产证明，说明数据的分类、类型和大小。
   区块链交易：
   检索交易：哈希指针；ID；数据类别；数据类型；数据大小；时间戳。
   数据分享记录：请求类型；ID；据类别；数据类型；数据大小；时间戳。
   

定义了一种两方之间的距离

3. 数据分享

数据请求这发起请求到附近的矿工，这个矿工查询这个请求之前有没有，之前有之间返回模型。之前没有根据上面的检索方法进行检索，查找委员会。委员会节点负责共识过程和联邦学习。过程分为：
（1） 初始化：在一个数据提供者Pi加入之前，会根据数据类别和类型计算和其他数据提供者之间的距离，相似的数据提供者会有相似的ID。所有的节点根据数据类型会加入不同的社区。
（2） 注册检索记录Pi加入后，发送公钥PKi和数据描述到附近的超级节点（矿工），然后他的一个在区块链上的检索记录就会生成，其他节点会记录并且验证。
（3） 发起数据分享请求：Req=(f1 , f2 ,…, fx)到附近的超级节点。
（4）数据检索：
（5）数据模型学习：检索出来的相关方会合作学习来响应数据分享请求，联邦学习。
（6）生成数据分享记录：
（7）执行共识：相关节点PoQ.

5. PoQ共识
   

安全分析和数值结果

安全分析

1. 实现差分隐私
2. 去中心
3. 保证分享数据的质量：PoQ共识对数据提供者的数据质量进行验证，只保留合格的数据。
4. 数据安全管理：原始数据本地保存。

评估过程

找到现实世界的数据集来模拟数据库中的数据。

数值结果

数据提供者的增加对我们的准确性影响不大，花费的时间会多。