一种基于区块链和联邦学习的移动群智感知方法

1.本发明涉及移动群智感知技术领域，特别涉及一种基于区块链和联邦学习的移动群智感知方法。


背景技术：

2.新冠肺炎的爆发对全球公共卫生和经济构成了巨大的威胁和影响。与新冠肺炎的第一轮斗争表明，单靠现有的保健系统无法解决感染人数不断增加和无症状感染的威胁。而且还会增加医护人员与患者接触造成的交叉感染，影响正常的医疗卫生服务，对社会经济造成巨大压力。科学研究和实践经验表明，遏制当前新冠肺炎的进一步蔓延需要确保:1)密切跟踪更容易感染的弱势人群的健康状况；2)继续监测与感染者有过密切接触的人的健康状况；3)隔离后持续监测个体的健康状况；4)跟踪监测与患者有过接触的医护人员的健康状况。然而，为了有效实施上述措施，需要对大量人员进行长时间的持续监控，这是当前医疗保健系统无法承受的。
3.在这种严峻的形势下，移动群智感知技术再次受到广泛关注，并被用于新冠肺炎的检测、跟踪和防御。移动群智感知技术雇佣普通公民，利用无处不在的移动设备收集参与者的活动和环境数据。然后，通过网络设施将日期上传到应用服务器。接下来，应用服务器将为查询者提取有用的信息。随着移动智能设备数量的快速增长，即手机、手环、平板等。mcs可以有效地实现连续收集大量人群的健康数据以及监控他们的健康状况。
4.与为新冠肺炎检测设计的传统医疗保健系统相比，基于mcs的医疗保健系统在时空覆盖方面具有优势，这使其能够减轻医疗保健系统的负担和经济压力，并减少由身体接触引起的交叉感染。因此，mcs成为一种可行且有前途的解决方案，将有助于遏制新冠肺炎的进一步传播。
5.在为新冠肺炎服务的各种mcs应用中，采集用户感知的数据是前提和基础，它决定了检测和预测结果的准确性和可靠性。因此，如何保证用户提交的感知数据的准确性和可靠性已成为新冠肺炎mcs应用中备受关注和迫切需要解决的问题。此外，由于感知数据包含大量的数据隐私信息(包括用户身份隐私和任务隐私)，任务的发布者和接收者不能完全信任，因此在任务执行过程中应保证数据隐私的安全性。
6.综上所述，如何提高群众感知数据的质量、如何验证医学数据的可靠性和有效性，同时保护用户的隐私，如何避免恶意参与用户是新冠检查的移动群智感知方法的亟待解决的关键问题。近期，mcs数据可靠性和隐私安全性引起了越来越多研究人员的兴趣。目前已经提出了许多优秀的方案，赵某某等提出了一种可以使得mcs获得隐私保护的激励机制，这种激励机制是基于零知识模型来评估数据的可靠性的。刘某某等将深度强化学习与以太坊相结合，构建了一个可靠、安全的mcs数据收集和共享方案。王某某等考虑多维数据的聚合，提出了一种基于群智感知的车载雾计算任务重组策略。为了满足移动群智感知中包括隐私保护在内的现实需求，张某某等人为移动群智感知场景设计了不同的真相发现机制。吴某某等人考虑了所有数据的可信度、用户隐私和激励公平性，构建了一个具有多个辅助实体
的安全增强的移动群智感知系统。李某某等开发了一个基于区块链的分散式移动群智感知框架。在这个框架中，用户可以在没有任何第三方的情况下接受请求者的任务，从而保护用户的隐私。马某某等人将边缘计算引入到移动群智感知中，以提高传感数据的可靠性。此外，他们还考虑了恶意参与者造成的隐私泄露问题。邹某某等人开发了一个基于区块链的群智感知模型。该模型通过整合区块链来防止隐私泄露问题，实现了分散式的群智感知。
7.现有的方法仍然存在吞吐量不高、认证精度不够以及延迟较高等问题。因此根据移动群智感知技术与存在问题本身特点，与当前先进且流行的技术特点设计出高效、低延迟的新冠检测的移动群智感知方案成为本领域技术人员亟待解决的技术课题。


技术实现要素：

8.本发明所要解决的技术问题是：提供一种基于区块链和联邦学习的移动群智感知方法，能够实现高吞吐量、高认证精度和低延迟。
9.为了解决上述技术问题，本发明采用的技术方案为：
10.一种基于区块链和联邦学习的移动群智感知方法，包括步骤：
11.s1、任务服务器向预设的新冠肺炎感染区域中的每个子区域发布群智感知任务，每个所述群智感知任务都关联有对应的安全级别，任何级别高于所述安全级别的用户端均可接收所述群治感知任务；
12.s2、所述子区域中对应的区块链服务器记录所述群智感知任务的任务信息，所述任务信息包括所述群智感知任务的详细信息和接收所述群智感知任务的所述用户端的信誉信息；
13.s3、接收所述智感知任务的所述用户端向当前子区域的群智感知服务器发送包含新冠肺炎相关医疗数据的群治感知数据；
14.s4、当前区域对应的认证服务器基于联邦学习算法对所述新冠肺炎相关医疗数据进行可靠性及有效性的认证，所述群智感知服务器仅接收通过所述认证的群治感知数据。
15.本发明的有益效果在于：本发明将区块链技术与联邦学习算法相结合，以高吞吐量、高认证精度与低延迟的新冠肺炎检测方案为目标，提出基于区块链和联邦学习的移动群智感知方法，该方法能够在确保用户隐私的前提下，提高群智感知数据的质量，验证医学数据的可靠性与有效性，实现诚实用户的寻找，并且在各种预防新冠肺炎的群智感知场景中实现高吞吐量、高认证精度和低延迟的目标。
附图说明
16.图1为本发明实施例的流程示意图；
17.图2为本发明实施例的一种新冠肺炎疾病检测的移动群智感知方法的流程图。
具体实施方式
18.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
19.本方法将区块链技术与联邦学习算法相结合，以高吞吐量、高认证精度与低延迟的新冠肺炎检测方案为目标，提出基于区块链和联邦学习的移动群智感知方法，该方法能
够在确保用户隐私的前提下，提高群智感知数据的质量，利用ddpg(深度确定性策略梯度)验证医学数据的可靠性与有效性，实现诚实用户的寻找，并且在各种预防新冠肺炎的群智感知场景中实现高吞吐量、高认证精度和低延迟的目标。
20.请参照图1以及图2，一种基于区块链和联邦学习的移动群智感知方法，包括步骤：
21.s1、任务服务器向预设的新冠肺炎感染区域中的每个子区域发布群智感知任务，每个所述群智感知任务都关联有对应的安全级别，任何级别高于所述安全级别的用户端均可接收所述群治感知任务；
22.s2、所述子区域中对应的区块链服务器记录所述群智感知任务的任务信息，所述任务信息包括所述群智感知任务的详细信息和接收所述群智感知任务的所述用户端的信誉信息；
23.s3、接收所述智感知任务的所述用户端向当前子区域的群智感知服务器发送包含新冠肺炎相关医疗数据的群治感知数据；
24.s4、当前区域对应的认证服务器基于联邦学习算法对所述新冠肺炎相关医疗数据进行可靠性及有效性的认证，所述群智感知服务器仅接收通过所述认证的群治感知数据。
25.从上述描述可知，本发明的有益效果在于：本发明将区块链技术与联邦学习算法相结合，以高吞吐量、高认证精度与低延迟的新冠肺炎检测方案为目标，提出基于区块链和联邦学习的移动群智感知方法，该方法能够在确保用户隐私的前提下，提高群智感知数据的质量，验证医学数据的可靠性与有效性，实现诚实用户的寻找，并且在各种预防新冠肺炎的群智感知场景中实现高吞吐量、高认证精度和低延迟的目标。
26.进一步地，所述一种基于区块链和联邦学习的移动群智感知方法中包括四种实体，即用户端、群智感知服务器、任务服务器和认证服务器。
27.进一步地，所述群智感知服务器的数据由所述群智感知服务器对应的子区域内的所述用户端收集得到。
28.进一步地，所述认证服务其对所述群治感知数据的可靠性和有效性进行认证，识别出恶意用户端提供的数据。
29.进一步地，每个所述群智感知任务可分解为多个子任务，每个所述子任务都关联有对应的安全级别。
30.由上述描述可知，群智感知任务应该被分解为多个子任务。每个子任务都与某个安全级别相关联，以对任务访问施加限制，可以保护数据隐私(即群智感知任务中包含的敏感信息)，因为很难邀请更高安全级别的用户相互串通进行隐私暴露。
31.进一步地，所述认证服务器基于联邦学习算法来对所述新冠肺炎相关医疗数据进行可靠性和有效性的认证，所述联邦学习算法用于训练本地认证模型。
32.由上述描述可知，联邦学习不仅能够训练统一模型，而且由于模型训练过程是不收集每个区域的本地数据集的情况下实现的，因此还能为用户提供隐私保护。
33.请参照图1和图2，本发明的实施例一为：
34.一种基于区块链和联邦学习的移动群智感知方法，包括步骤：
35.s1、任务服务器向预设的新冠肺炎感染区域中的每个子区域发布群智感知任务，每个所述群智感知任务都关联有对应的安全级别，任何级别高于所述安全级别的用户端均可接收所述群治感知任务；
36.每个所述群智感知任务可分解为多个子任务，每个所述子任务都关联有对应的安全级别。
37.本实施例中，所述的安全级别的限制可以在某种程度上防止共谋攻击。
38.本实施例中步骤1包括群智感知任务的分解和区域划分。新冠肺炎病毒感染多少与地区有关。因此，为预防新冠肺炎，有必要从不同地区收集医学数据。这表明，旧医疗保险水平、通信能力、疾病阶段等特征而言，整个感染区域应该划分为几个有限大小的区域。
39.具体而言，新冠肺炎感染的不同阶段可能导致不同的新冠肺炎诊断结果。此外，医疗保险水平始终决定着新冠肺炎的传播状况。通信能力会对疫苗开发产生不同的影响。考虑到隐私问题，群智感知任务应该被分解为多个子任务。每个子任务都与某个安全级别相关联，以对任务访问施加限制。例如，安全级别高于任务的用户可以接受此任务；否则，该用户只能申请较低安全级别的任务。通过分解群智感知任务，可以保护数据隐私(即群智感知任务中包含的敏感信息)，因为很难邀请更高安全级别的用户相互串通进行隐私暴露。因此对于每个区域，都有大量不同安全级别的子任务供用户申请。
40.s2、所述子区域中对应的区块链服务器记录所述群智感知任务的任务信息，所述任务信息包括所述群智感知任务的详细信息和接收所述群智感知任务的所述用户端的信誉信息；
41.本实施例中，包括多层次区块链构建，即为了保护数据隐私和信任证据，构建了一个多层次的区块链模型。不同的区块链在功能上是可以区分的。例如，每个三级区块链充当任务区块链，它存储群智感知任务的信息(即任务的细节和接受这些任务的用户端的声誉)作为信任证据。此外，三级区块链的数量由安全级别决定。每个区域都有一个二级区块链，记录从该区域内的每个三级区块链收集的信任证据。然而，存在特定区域的二级区块链受到损害的潜在风险，从而导致所有信任证据丢失。为了解决这个问题，构建了一个一级区块链来存储从每个二级区块链收集的所有信任证据。一旦建立了多级区块链，所有信任证据都将被公开保护，以防止恶意用户为新冠肺炎防御提供不可靠或不可用的医学数据。
42.s3、接收所述智感知任务的所述用户端向当前子区域的群智感知服务器发送包含新冠肺炎相关医疗数据的群治感知数据；
43.所述群智感知服务器的数据由所述群智感知服务器对应的子区域内的所述用户端收集得到。
44.s4、当前区域对应的认证服务器基于联邦学习算法对所述新冠肺炎相关医疗数据进行可靠性及有效性的认证，所述群智感知服务器仅接收通过所述认证的群治感知数据。
45.所述认证服务其对所述群治感知数据的可靠性和有效性进行认证，识别出恶意用户端提供的数据。
46.所述认证服务器基于联邦学习算法来对所述新冠肺炎相关医疗数据进行可靠性和有效性的认证，所述联邦学习算法只需要本地认证模型。
47.本实施例中，某些区域的认证服务器可能无法训练自己的认证模型，在这种情况下，由中央服务器分别利用联邦学习方法为可靠性认证和有效性认证训练两个统一的模型。联邦学习不仅能够训练统一模型，而且由于模型训练过程是不收集每个区域的本地数据集的情况下实现的，因此还能为用户提供隐私保护。
48.本实施例中，认证服务器中还应用了深度强化学习技术来提高认证的准确性。
49.考虑到许多用户在新冠肺炎预防中承担着群智感知任务，用户提供的医学数据可能不会有太大的差异。这表明，我们可以采用假设检验来确定医学数据的可靠性，通过与一个选择合理的阈值进行比较，其中的偏差被用来判断数据是否可靠。
50.考虑到许多用户在新冠肺炎预防中承担着群智感知任务，用户提供的医学数据可能不会有太大的差异。这表明，我们可以采用假设检验来确定医学数据的可靠性，通过与一个选择合理的阈值进行比较，其中的偏差被用来判断数据是否可靠。由于最佳阈值应该通过连续的空间搜索来找到，所以本文采用ddpg(深度确定性策略梯度)算法用于发现最佳阈值以提高认证精度。
51.利用ddpg进行可靠性验证：用h0表示医学数据可靠的假设；h1代表医学数据不可靠的假设。因此，将不可靠的医学数据判断为可靠的概率是误报率(far)，而将不可靠的医学数据判断为可靠的概率是漏检率(mdr)。然后，将测试静态设置为数据参考偏差。因此，我们构建假设检验如下：如果检验统计量低于或等于阈值，则假设h0成立。如果检验统计量高于阈值，那么假设h1成立。
52.由于检验阈值在确定每个医学数据的可靠性方面很重要，同时考虑到搜索连续空间的优势，我们可以用ddpg找到最佳阈值。
53.在实际运用上，我们应该考虑三种攻击：数据隐私攻击、用户隐私攻击、数据可靠性攻击和有效性攻击。
54.(1)状态:当前状态由可靠性认证的far和mdr组成。
55.(2)动作:一个潜在的动作是假设检验的一个阈值，这个阈值是根据当前状态选择的；最佳的动作可以带来最大的回报。
56.(3)奖励:利用可靠性认证的成本和结果来计算奖励。
57.在ddpg中，我们根据当前状态选择一个动作，根据数据认证计算奖励。然后，从环境中观察下一个状态。我们将四元组<当前状态、动作、奖励、下一个状态>存储为经验池中的过渡。在训练过程中，我们从经验池中随机选择一些经验，在此基础上采用梯度下降法最小化损失函数来更新crtic网络，并采用梯度上升法来更新actor网络。然后，可以用学习速率更新target网络。
58.另外，一旦检测到不可靠的医学数据，就应该评估可靠数据的有效性。根据数据有效性的定义，我们实现数据有效性认证如下。对于每个用户，我们从原始数据中提取重复的部分以形成新的数据。为统一数据格式，还会从原始数据中提取额外的每日数据，以便每个新数据都具有相同的维度。然后新的数据集代替原始数据集用于数据有效性认证。基于ddpg的可用性验证:类似于可靠性认证的假设检验，我们让h0代表医学数据可靠的假设，而医学数据不可靠的假设由h1表示。我们分别通过判断一个不可用的医学数据为可用的概率和判断一个可用的医学数据为不可用的概率来定义far和mdr。然后，构建假设检验。例如，如果检验统计量低于或等于阈值，则假设h0成立。如果检验统计量高于阈值，那么假设h1成立。
59.检验阈值是利用ddpg发现的，其中状态、动作和奖励定义如下:
60.(1)状态:有效性认证的far和mdr都由当前状态组成。
61.(2)动作:检验阈值是基于当前状态选择的使奖励最大化的动作。
62.(3)奖励:认证成本和有效性认证决定奖励。
63.ddpg对有效性认证的训练过程类似于ddpg对可靠性认证的训练过程。
64.此外，在实际运用上，我们应该考虑三种攻击：数据隐私攻击、用户隐私攻击、数据可靠性攻击和有效性攻击。
65.具体而言，数据隐私攻击时通过勾结恶意用户获取任务的敏感信息而发起的。所提出的基于区块链和联邦学习的移动群智感知方法可以通过将群智感知任务分解成多个子任务来防止这种攻击，每个子任务都有特定的安全级别。
66.用户隐私攻击是由中央认证服务器发起的，它要求用户的每个本地数据集完成数据的可靠性和有效性认证。本技术的技术方案也可以防止这种攻击，因为所使用的联邦学习算法只需要本地认证模型。
67.数据可靠性和有效性攻击是由提供不可靠或不可用医学数据的用户发起的。本技术通过基于联邦学习算法的数据可靠性和有效性认证来中和这种攻击。
68.注意：系统吞吐量、事务延迟和认证准确性等指标被用来验证bfmc(基于区块链和联邦学习的移动群智感知，b表示区块链blockchain，f表示联邦学习算法fl，mc表示移动群智感知mobile crowd
‑
sensing)的性能，它会改变事务数量num_tran、发送速率sr、块大小bs和用户数量num_user。
69.(1)吞吐量随着每个事务数量的sr而增加。吞吐量随着块大小bs而增加。bfmc可以在移动群智感知中提高系统吞吐量，以预防新冠肺炎。
70.(2)延迟会随着每个事务数量的sr而增加。延迟会随着每个事务数量的bs而增加。bfmc可以有效地减少移动群智感知中的事务等待时间，以防止新冠肺炎。随着用户数量num_user的增加，far和mdr都会受到影响。bfmc可以有效地提高新冠肺炎的认证准确性。
71.值得说明的是，联邦学习(federatedlearning,fl)是一种不将本地数据泄露给数据拥有者外的第三方的分布式机器学习。因此，fl能在不收集每个区域的本地数据集的前提下实现统一模型训练，为用于提供数据隐私保护。区块链是一种按时间顺序、去中心化、来源可追溯与不可改变的分布式账本技术。区块链的去中心化共识机制、防篡改记录和智能合约激励使得在没有中央权威机构的情况下，分散的参与者之间可以进行可信任的交易或数据记录。由于区块链的去中心化特性可以实现移除中心服务器的构想，解决了fl设置依赖可信中心服务器不符合实际peer
‑
to
‑
peer(p2p)的机器学习设置这一安全性问题。
72.综上所述，本发明提供的一种基于区块链和联邦学习的移动群智感知方法，将区块链技术与fl算法相结合，以高吞吐量、高认证精度与低延迟的新冠肺炎检测方案为目标，提出基于区块链和联邦学习的移动群智感知方法，该方法能够在确保用户隐私的前提下，提高群智感知数据的质量，利用ddpg验证医学数据的可靠性与有效性，实现诚实用户的寻找，并且在各种预防新冠肺炎的群智感知场景中实现高吞吐量、高认证精度和低延迟的目标。
73.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。