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！

龙图腾网获悉贵州大学申请的专利基于区块链与三元联邦学习的车联网数据隐私保护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：CN119046973B 。

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：202410888759.1，技术领域涉及：G06F21/62；该发明授权基于区块链与三元联邦学习的车联网数据隐私保护方法是由吴钦木;李佳恒;张远琴;洪杨;袁灏诚;洪涛;丁朗设计研发完成，并于2024-07-04向国家知识产权局提交的专利申请。

本基于区块链与三元联邦学习的车联网数据隐私保护方法在说明书摘要公布了：本发明公开了基于区块链与三元联邦学习的车联网数据隐私保护方法，数据请求者首先发布任务请求，收到任务后本地车辆将在地方训练本地模型，在训练时添加高斯噪声，训练完成后将原始梯度转换三元梯度并上传至服务器，服务器将三元梯度进行聚合操作并将结果返回给客户端，随后用户将结果延迟为浮点数，并更新模型副本以用于随后的训练；在区块链层，验证值和局部模型更新由通过共识算法验证后的边缘节点存储在数据块中，通过区块链中的P2P广播功能在网络中广播其本地模型，车辆从区块链下载所有车辆的最新本地模型更新，并聚合全局模型。本发明提高了通信效率、降低了通信成本，解决传统联邦学习存在的单点攻击。

本发明授权基于区块链与三元联邦学习的车联网数据隐私保护方法在权利要求书中公布了：1.基于区块链与三元联邦学习的车联网数据隐私保护方法，其特征在于：该方法为：在应用层中，数据请求者首先发布任务请求，收到任务后本地车辆将在地方训练本地模型，在训练时添加高斯噪声，训练完成后将原始梯度转换三元梯度并上传至服务器，服务器将三元梯度进行聚合操作并将结果返回给客户端，随后用户将结果转换为浮点数，并更新模型副本以用于随后的训练； 在区块链层，验证值和局部模型更新由通过共识算法验证后的边缘节点存储在数据块中，通过区块链中的P2P广播功能在网络中广播其本地模型，其中验证值由智能合约生成，用以验证用户的相关信息，最后，车辆从区块链下载所有车辆的最新本地模型更新，并聚合全局模型； 三元联邦学习模型训练方法如下： 客户端：i＝1,2,...,Ν 1输入为一个训练样本的部分小批量； 2计算在下的梯度 3将梯度进行梯度裁剪 4将裁剪后的梯度分层三元化为： 在分层三元化中，使用逐层缩放器独立地对每一层中的梯度进行三元化处理； 5推送三元化的到服务器； 6从服务器拉取平均三元梯度 7更新参数其中ωt+1和ωt分别为在时间点t+1和t时的参数权重；η为学习率； 服务器端： 8平均三元梯度： 原始梯度转换三元梯度的方法为： 令三元转换函数为，经其量化的梯度如下： 其中，bt为随机二进制向量，gt为原梯度，st为缩放器，是Hadamard乘积，sign·为每个元素的符号； 缩放器st采用共享缩放因子：表示第i个梯度的缩放器； 对于给定的gt和bt，其每个元素均独立地服从伯努利分布： 其中，btk和gtk分别为随机取入的bt和gt中的第k个元素，经三元转换后客户端将代替原梯度gt上传至服务器，而服务器将三元梯度聚合后返回结果于客户端； 客户端进行联邦学习本地训练时，模型进行压缩，采用基于层敏感度的模型压缩方法实现，层敏感度为：设当前的模型表示为G＝{g1,g2,...,gL}，在第t轮，客户端Cj进行联邦学习本地训练时，模型将从Gt＝G变为： 将第i层的变化记为： 对于每一层的参数均值变化量δ，称之为敏感度，是指在第t轮联邦学习本地训练后，第i层的参数更新的均值； 按层敏感度的模型压缩实现过程为：对任意被挑选的客户端Cj，在模型本地训练结束后，按照式子计算模型的每一层变化量将每一层的变化量从小到大进行排序，算法将取敏感度最高的层上传，而敏感度低将不被上传。

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贵州大学，其通讯地址为：550025 贵州省贵阳市花溪区贵州大学花溪北校区科技处；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。