【技术实现步骤摘要】
本专利技术属于食品风险，涉及区块链技术、联邦学习技术、加密共享技术等，具体涉及一种基于区块链和联邦学习的食品风险信息可信共享方法。
技术介绍
1、食品全程全息过程中会产生并收集大量食品风险信息数据，企业和监管机构不再满足于利用人工智能相关技术仅仅对其自身收集的风险信息数据进行分析处理，以满足自己需求的目的。因为这些数据不仅会受限于地域和品类，影响模型训练质量，且收集它以保证食品或其生产环节的安全性是昂贵且耗费资源的，而数据共享是解决这些问题最好的方法。但企业因为行业竞争、利益冲突、害怕风险信息数据泄露以及不同数据所有者对数据共享存在不同优先级的问题，阻碍了数据共享。风险信息数据被企业掌握在自己手中，只有部分不敏感信息以明文形式共享，用作记录、信息查询和统计用途，以配合监管机构完成对食品的监管与溯源。风险信息没有得到企业和监管机构的充分利用，造成了数据孤岛，无法从食源处解决食品安全问题。而传统的信息共享方式和机器学习方法无法解决食品风险信息利用率低、数据共享隐私易泄露、企业间与企业监管间共享风险信息数据敏感程度需求不同的问题。
2、联邦学习是一种分布式机器学习方法，它允许模型训练方以分布式方式训练并贡献局部模型，最终通过中央服务器聚合为全局模型。分布式训练方只需要将训练参数共享给服务器，而不需要共享整个原始数据集，达到数据需求者对数据的可用不可见，从而避免了隐私数据泄露的风险。但是传统联邦学习依赖中央服务器，抗单点故障能力弱，容易遭到恶意攻击。
3、区块链是一种以分布式账本、非对称加密、共识机制、点对点网络
4、用区块链弥补传统联邦学习的不足成为了当下可信共享的新范式，基于区块链的联邦学习架构具有良好的抗应激性和鲁棒性，模型遭到恶意攻击而泄露的可能性大大降低，且可对恶意模型贡献者以及恶意攻击节点进行追责，提高了训练节点贡献局部模型的质量，引入共识和激励机制使各方之间建立信任的同时，增加了各节点贡献模型的积极性。但目前区块链与联邦学习的结合在食品领域尚未深度融合应用，难以解决食品全程全息过程中利益相关者众多、存在诸多可信域、一些可信域彼此之间互不信任、导致的数据共享优先级不同的问题。且现有框架没有针对食品风险数据多源异构、时效性强，食品供应链边缘设备多等特点进行优化，难以满足食品全程全息风险信息可信共享需求。
技术实现思路
1、针对传统共享模式下食品全程全息风险信息敏感易泄露、中心化服务器和恶意节点的自利性与完全自治化易产生恶意行为、跨环节交互困难、单一目的导致的数据利用率低等问题，以及目前基于区块链的联邦学习架构未考虑食品风险数据多源异构、时效性强、食品供应链边缘设备多等特点，不能满足食品全程全息风险信息可信共享需求的问题，本专利技术提出一种基于区块链和联邦学习的食品风险信息可信共享方法，构建食品全程全息风险信息可信共享模型，同时改进模型联邦学习过程，实现对不同敏感度的食品风险信息数据的分级加密与定向可信共享。
2、本专利技术提供的一种基于区块链和联邦学习的食品风险信息可信共享方法，包括如下步骤：
3、步骤1，构建基于区块链和联邦学习的食品全程全息风险信息可信共享模型；
4、所述的食品全程全息风险信息可信共享模型采用基于联邦学习的分层区块链框架实现，该模型共有三层，从下到上依次是：多个环节链层lcl(link chain layer)、一个交互链层icl(interaction chain layer)和一个监管链层rcl(regulatory chain layer)。对于粮食供应链的每个环节对应由一个环节链层；每个环节链层中的节点是相应供应链环节下的企业，每个企业下关联检测设备te；每个te采集食品风险数据，在联邦学习过程中充当分布式训练方，进行第一风险信息局部模型训练，将训练得到的第一风险信息局部模型广播至所在环节链层中的每个企业；每个企业收集所有te发送的第一风险信息局部模型并打包成候选区块，将各节点共识后发布的区块记录在所在环节链层的分布式账本中。交互链层中对应每个环节链层有一个中继节点，中继节点接收相应环节链层的跨链请求，对验证通过的跨链请求，从目标环节链层获取所需的食品风险数据返回给请求节点。监管链层中的节点是监管机构(regulatory authorities)，监管链层的节点收集所有企业的监管级风险信息局部模型，聚合生成全局模型，并下发新一轮联邦学习任务。所述企业的监管级风险信息局部模型是将企业本地获取的食品风险数据、获取的跨环节风险信息以及所在环节链层的分布式账本中的第一、第二风险信息局部模型一起进行训练得到。
5、步骤2，环节链层中的每个企业对所关联的te采集的食品风险数据进行敏感程度划分，将基于不同敏感程度的食品风险数据训练的风险信息局部模型分为企业级风险信息局部模型和监管级风险信息局部模型；企业级风险信息局部模型基于能在同环节企业间共享的食品风险数据训练得到，能在同环节企业间共享；监管级风险信息局部模型只共享到监管节点，不在企业间共享。
6、步骤3，将不同环节链层上下游利益相关企业间交换的食品风险数据明文标记为跨环节风险信息，交互链层用paillier加法部分同态加密算法结合零知识证明思想对食品全程全息中跨环节风险信息进行加密，利用区块链网络进行加密跨链可信交互。
7、步骤4，按照风险信息来源样本与不同环节风险信息特征的不同，将六大环节涉及企业划分为：原材料上下游企业、过渡上下游企业以及成品上下游企业。其中，原材料上下游企业包括生产、收储和加工环节的企业，过渡上下游企业包括收储、加工和仓储环节的企业；成品上下游企业包括加工、仓储、物流和销售环节的企业。
8、步骤5，属于同一上下游企业中企业通过交互链层交互跨环节风险信息，通过纵向联邦学习算法对企业级风险信息局部模型和跨环节风险信息进行聚合，得到监管级风险信息局部模型。监管链层中，将所有企业作为训练方，通过纵向联邦学习算法对监管级风险信息局部模型聚合，得到监管级的全局模型。
9、所述的步骤1中，监管链层中，每个企业作为分布式训练方，训练监管级风险信息局部模型，并广播到监管链层中的每个节点，每个监管机构节点获取所有企业发送的监管级风险信息局部模型并打包成候选区块，经共识后发布的区块记录在监管链层的分布式账本中，由分布式账本中的监管级风险信息局部模型聚合生成风险信息全局模型。
10、所述的步骤3中，交互链层为各环节链层上的每个企业节点生成公私钥对，并存储公钥到公共钥匙库，私钥由企业节点自己保管；在跨环节风险信息交互过程中，利用风险信息需求方的公钥对风险信息加密，加密后的密文只能通过风险信息需求方的私钥本文档来自技高网...
【技术保护点】
1.一种基于区块链和联邦学习的食品风险信息可信共享方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，环节链层中节点通过跨链网关和跨链智能合约模块与交互链层的中继节点连接，当企业发起跨链请求，该请求经跨链网关和跨链智能合约模块发送到相应的中继节点，跨链请求经验证通过后，中继节点从目标环节链层获取所需要的食品风险数据存入队列，经跨链网关和跨链智能合约模块发送给请求节点；
3.根据权利要求1所述的方法，其特征在于，所述的步骤1中，监管链层中，每个企业作为分布式训练方，训练监管级风险信息局部模型，并广播到监管链层中的每个节点，每个监管机构节点获取所有企业发送的监管级风险信息局部模型并打包成候选区块，经共识后发布的区块记录在监管链层的分布式账本中，由分布式账本中的监管级风险信息局部模型聚合生成风险信息全局模型。
4.根据权利要求1所述的方法，其特征在于，所述的步骤3中，交互链层为各环节链层上的每个企业节点生成公私钥对，并存储公钥到公共钥匙库，私钥由企业节点自己保管；在跨环节风险信息交互过程中，利用风险信息需求方的
5.根据权利要求1所述的方法，其特征在于，所述的步骤2中，TE采集的能在企业间共享的食品风险数据训练的第一风险信息局部模型属于企业级风险信息局部模型；各企业根据其下TE采集的能在同环节企业间共享的食品风险数据及其他企业共享的第一风险信息局部模型训练的第二风险信息局部模型也属于企业级风险信息局部模型；所述第二风险信息局部模型被广播到所在环节链层中的每个企业，并被打包到候选区块中，经共识后记录在环节链层的分布式账本中。
...【技术特征摘要】
1.一种基于区块链和联邦学习的食品风险信息可信共享方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，环节链层中节点通过跨链网关和跨链智能合约模块与交互链层的中继节点连接，当企业发起跨链请求，该请求经跨链网关和跨链智能合约模块发送到相应的中继节点，跨链请求经验证通过后，中继节点从目标环节链层获取所需要的食品风险数据存入队列，经跨链网关和跨链智能合约模块发送给请求节点；
3.根据权利要求1所述的方法，其特征在于，所述的步骤1中，监管链层中，每个企业作为分布式训练方，训练监管级风险信息局部模型，并广播到监管链层中的每个节点，每个监管机构节点获取所有企业发送的监管级风险信息局部模型并打包成候选区块，经共识后发布的区块记录在监管链层的分布式账本中，由分布式账本中的监管级风险信息局部...
【专利技术属性】
技术研发人员：张新，谭学泽，许继平，赵峙尧，于家斌，崔晓玉，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。