买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种基于区块链的数据模型检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116647388B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310633143.5，技术领域涉及：H04L9/40；该发明授权一种基于区块链的数据模型检测方法是由黄晓舸;黎文静;任洋;王依琪;陈前斌设计研发完成，并于2023-05-31向国家知识产权局提交的专利申请。

本一种基于区块链的数据模型检测方法在说明书摘要公布了：本发明涉及一种基于区块链的数据模型检测方法，属于移动通信技术领域。首先，通过区块链网络保证雾节点之间共享全局模型的安全性和高效性。其次，提出了基于信誉值和用户参与度的设备选择算法，通过信誉值和用户参与度选择参与训练的物联网设备IDs。再次，提出了基于离群值的恶意模型识别算法，提高了Non‑IID数据场景下恶意节点的识别率，从而保证学习的安全性。然后，采用加权聚合联邦学习算法，为不同局部模型分配不同的聚合权重，进一步提高联邦学习的训练效率。

本发明授权一种基于区块链的数据模型检测方法在权利要求书中公布了：1.一种基于区块链的数据模型检测方法，其特征在于：该方法包括以下步骤： S1：进行基于信誉值和用户参与度的设备选择； S2：进行基于离群值的恶意模型识别； S3：进行联邦学习加权聚合； S4：进行基于DAG区块链的联邦学习； 在S1中，选择一定信誉值的IDs结合用户参与度，解决全局模型过拟合问题； 在S2中，通过评估所有局部模型每一层神经网络参数和全局模型对应层神经网络参数的距离，利用箱线图法找到每一层神经网络距离的离群值，筛选恶意模型； 在S3中，基于局部模型梯度和全局模型梯度之间的角度，以及局部模型的精度，得到局部模型加权权重； 在S4中，利用DAG区块链存储雾节点生成的全局模型，其中雾节点作为DAG区块链节点，存储DAG区块链网络的账本信息；首先，FNk通过基于信誉值和用户参与度选择参与联邦学习的IDs，然后在本地DAG区块链中基于交易选择TS算法选择Tips，利用联邦平均FedAvg算法更新全局模型并将其广播给选择的IDs，IDs利用本地数据对接收到的进行局部训练；IDs完成训练上传局部模型到FNk，FNk通过基于离群值的恶意模型识别算法筛选出正常模型，并利用联邦学习加权聚合算法聚合正常模型得到新的全局模型随后FNk将该模型和数字签名Sigk共同封装成区块Sk发布到DAG区块链网络，区块的具体格式如公式1所示： 式中，H为整个区块的哈希值；Vk为所验证的Tips的哈希值向量；ck为算力需求较小的工作量证明参数；Q为区块的权重向量，包括自身权重和累计权重； 所述DAG区块链中，建立雾计算架构，由任务发布者、外部代理、雾节点和IDs构成；假设网络中有K个雾节点，表示为K＝{1,...,k,...,K}；每个雾节点下假设有M个IDs，表示为M＝{1,...,m,...,M}，对应的训练数据集表示为D＝{D1,...,Dm,...,DM}；IDm基于数据集Dm训练局部模型，完成训练后将模型上传到雾节点，进行全局聚合；当全局模型精度达到要求时，返回全局模型给任务发布者； 任务发布者通过外部代理发布任务，雾节点接收到任务后使用基于信誉值和用户参与度的设备选择算法选择满足训练条件的IDs参加训练任务；整个训练过程包括以下四个步骤： S41：训练任务发布；任务发布者通过外部代理广播训练任务包括任务要求和任务初始模型到雾节点，雾节点将任务要求发布给所属的IDs，符合要求的IDs将包含其身份和数据信息发送给雾节点；雾节点利用基于信誉值和用户参与度的设备选择算法选择部分IDs参与训练任务，并将初始模型发送给选择的IDs，IDs收到模型后利用本地数据集进行局部训练； S42：雾节点进行恶意模型识别和全局聚合；IDs完成局部训练后，将局部模型上传到所属雾节点；雾节点收集模型后使用基于离群值的恶意模型识别算法，识别出上传局部模型中的恶意模型，并更新相关IDs上传恶意模型的次数；然后雾节点对筛选后的正常模型使用联邦学习加权聚合算法计算出每个模型的权重，然后进行全局聚合更新全局模型； S43：更新任务参与者；雾节点进行多轮全局训练后，基于IDs上传模型属性更新其信誉值，然后使用基于信誉值和用户参与度的设备选择算法更新参与训练任务的IDs； S44：更新DAG区块链网络；雾节点生成新的全局模型后，将模型打包成区块并通过广播的方式将其发布给DAG区块链网络中的其他雾节点；雾节点收到广播的新区块后更新本地DAG区块链副本，并从中利用交易选择TS算法选择部分Tips，提取其中存储的全局模型参数进行聚合得到新的全局模型；雾节点将新的全局模型下发给所属的IDs，进行新一轮的全局训练；重复S41～S44，直到全局模型精度达到目标要求； 所述信誉值的计算方法具体为： 首先，雾节点根据IDs的信誉值和用户参与度选择参与训练任务的IDs；每进行T轮全局训练对IDs的信誉值和用户参与度进行更新，并根据更新后的信誉值和用户参与度重新选择IDs；其中信誉值更新过程如下： 首先，在T轮全局训练中，FNk基于IDm训练的局部模型进行信誉评价，如公式2所示； γk→m:＝{bk→m,dk→m,uk→m}2 式中，bk→m,dk→m,uk→m分别表示信任、不信任和不确定并且bk→m+dk→m+uk→m＝1，其中bk→m,dk→m,uk→m∈[0,1]，基于主观逻辑模型将其表示为公式3所示； 式中，qk→m表示数据成功传输概率；κ,η分别表示正常模型和恶意模型的权重且η+κ＝1和η≤κ；αk,βk是在T轮全局训练期间IDm上传的正常模型和恶意模型的数量，其中αk+βk＝T；IDm的信誉评价如公式4所示： Tk→m＝bk→m+auk→m4 式中，a∈[0,1]代表不确定性对信誉的影响程度；IDm在第t+1轮信誉值如公式5所示； Tk→mt+1＝λ×Tk→mt+r×Tk→m5 式中，λ和r分别是历史声誉值的衰退权重和当前信誉值的权重； 其次，基于信誉值和用户参与度的设备选择算法通过联合考虑IDs的信誉值和用户参与度选择参与训练的IDs，将问题建模为公式6所示； 式中，为二进制表示符，表示IDm被FNk选择参与联邦学习任务，否则β为信誉值和用户参与度之间的重要性权衡的控制参数；常数P用于将信誉值Tk→mt+1映射到与Cm相同的范围内；Cm表示IDm的用户参与度；N表示选择的IDs最大数量；约束条件C1表示选择IDs的最大数量不能超过N；约束条件C2表示预定义的IDs信誉值阈值Tmin，根据不同的安全要求设置不同的阈值；约束条件C3表示的取值为0或者1，通过贪心算法进行求解：首先建立一个满足约束条件C2的集合，然后利用贪心算法计算集合中所有IDs的效用，效用值根据目标函数得到，最后选择集合中效用大的N个IDs，其集合为L＝{1,...,l,...,L},L≤MandL≤N； 所述联邦学习加权聚合算法为： 首先，基于角度θlt+1量化在第t+1轮中IDl上传的局部模型对全局聚合的效率，其定义如公式8所示； 式中，为第t+1轮中全局模型梯度，其为通过FedAvg算法计算出的全局模型平均梯度，其计算如公式9所示； 在联邦学习加权聚合算法中角度θlt+1越小，代表局部梯度与全局梯度更相似，从而对全局聚合有更大的效率；当θlt+1较大，例如大于π2时，局部梯度具有与全局梯度相反的方向，降低全局聚合效率； 其次，在联邦学习加权聚合算法中为了抑制每一轮角度θlt+1由于随机性而导致对局部模型效率量化的不稳定，使用平均角度单位为弧度制，替代θlt+1，其定义如公式10所示； 的大小取决于IDs本地数据集的Non-IID程度，Non-IID程度越大的值越大； 最后，IDl局部模型聚合权重通过Softmax函数计算平均角度和模型精度获得，其具体计算如公式11所示： 式中，为戈珀兹函数，其中α为常数；pl的定义如公式12所示； 式中，al表示IDl上传的局部模型精度； 最后，利用公式13进行全局聚合，得到更新后的全局模型；

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。