关键词： 区块链   跨链交易   群签名   指定验证者签名   随机预言机  

摘要： 随着计算机、信息、物联网技术的发展,医疗物联网改变了传统的健康数据采集、存储和管理模式,帮助传统医疗服务实现信息化和数字化转型升级。然而,这些集中管理模式容易造成数据孤岛、隐私泄露、数据丢失等问题,给患者的个人隐私信息安全带来了很大的威胁。如今,区块链为这些问题带来了一种新的解决方法,它可以帮助构建一个分布式健康数据管理框架,但随着构建的不同类型的区块链平台越来越多,新的“数据孤岛”问题也随之出现。由于不同机构区块链的系统结构、共识机制和加密算法不一样,限制了健康数据的跨机构共享。因此,研究健康数据共享隐私保护方案是实现数据跨机构安全共享的重要保障。 本文针对基于区块链的医疗物联网中的数据无法安全共享以及用户隐私泄露的安全问题,开展了基于区块链的健康数据共享隐私保护研究。本文的研究主要围绕以下三个方面展开: (1)针对医疗物联网中健康数据无法跨链共享的问题,提出了一种基于区块链的健康数据跨链共享交易方案。利用中继链技术,建立多链融合模型,将不同机构的联盟链、私有链等融合起来,为健康数据跨地区/机构共享建立安全通道;采用跨链网关技术,通过跨链交互协议消除不同链上数据的异构问题,保证跨链交易在中继链上的一致性。该方案有效提高了不同机构区块链系统之间的数据的互操作能力,实现健康数据的安全高效跨链共享。 (2)针对医疗物联网中多用户参与的交易验证需求,提出了一种基于群签名的健康数据共享隐私保护方案。利用区块链技术,构建一个适用于群组参与的健康数据安全共享模型。首先设计了一种基于格的群签名协议,群用户可以代表群组进行签名,有效保证了签名者的匿名性;其次设计了一种基于格的群盲签名协议,加入了盲化算法,实现签名消息对签名者的不可见,有效保证交易数据的隐私安全。通过安全性证明证明了签名方案能够满足不可伪造性和签名者的匿名性,且仿真测试结果表明所设计的模型和协议具有更好的效率和实用性。 (3)针对健康数据跨链共享过程中签名消息易被恶意传递导致的隐私泄露问题,提出了一种基于指定验证者签名的健康数据安全共享方案。利用中继链技术,建立一个健康数据跨链安全共享模型,融合不同类型的用户私有链和机构联盟链等,通过中继链网络实现健康数据的跨链安全共享。同时,设计一种基于格的指定验证者签名协议,只有指定的用户才能验证签名和访问跨链交易数据,防止签名消息被恶意传递和用户隐私的泄露。在随机预言机模型下的安全性证明表明所设计的签名方案能够满足不可伪造性、不可转移性和签名者的匿名性,且仿真测试结果表明所设计的模型和协议具有更好的效率和实用性。

关键词： 超密集网络   多接入移动边缘计算   区块链   免疫算法   人工蜂群算法  

摘要： 随着第五代移动通信技术的快速发展,智能手机、虚拟现实设备、智能车辆、可穿戴设备以及各种传感器等智能移动设备的数量呈指数级增长。然而,受限于计算能力、存储容量和电池资源等因素,这些设备往往难以为用户提供高质量的服务。移动边缘计算(Mobile Edge Computing,MEC)的出现有效缓解了这一问题。通过将计算任务从移动设备卸载至边缘服务器,MEC显著减少了设备的运行时间和能耗。为了进一步缩短用户与计算中心之间的距离并最大限度降低5G移动网络的端到端延迟,超密集多接入移动边缘计算(Multi-Access Mobile Edge Computing,MAMEC)网络逐渐引起了广泛关注。在这种网络架构中,每个用户可以同时关联多个基站,从而充分利用超密集基站的计算资源。然而,这种网络架构也带来了由超密集基站部署引发的复杂干扰问题,以及任务迁移过程中可能产生的安全和隐私挑战。本文的主要研究工作可以总结如下: 首先针对超密集MAMEC网络中的复杂干扰问题,提出了一种联合移动设备(Mobile Devices,MDs)分簇、非正交多址接入(Non-Orthogonal Multiple Access,NOMA)和频分多址接入(Frequency Division Multiple Access,FDMA)的综合干扰管理策略。在考虑计算任务完成时延、安全成本、本地设备能耗和处理速率约束的前提下,本文对信道选择、安全服务分配、计算任务划分和功率分配进行了联合优化,旨在最大化超密集MAMEC网络中所有MDs的总加权计算效率。鉴于该优化问题的非线性和混合整数特性,提出了一种增强免疫算法(Enhanced Immune Algorithm,EIA)来求解该问题,并深入分析了该算法的收敛性和计算复杂度。仿真结果表明,与现有算法相比,EIA显著提升了所有MDs的整体加权计算效率。 其次,为确保MDs数据的安全性和隐私性,将区块链技术无缝集成到超密集MAMEC网络中,并采用委托权益证明(Delegated Proof of Stake,DPo S)共识机制。最后,在时延和网络资源的限制下,通过联合优化任务划分、计算资源分配、区块链管理器调度、信道选择、区块处理器功耗控制及MDs与区块管理器之间的功耗分配,旨在最小化整个网络的能耗。为解决该非线性和混合整数问题,设计了一种性能更优的增强型人工免疫算法(Enhanced Modified Artificial Immune Algorithm,EMAIA),并对其收敛性、计算复杂度进行了深入分析。仿真结果表明,EMAIA相较于其他启发式方法,在提高亲和度/适应度的同时,能够更好地满足时延约束并显著降低网络能耗。

关键词： 纵向联邦学习   区块链   共识机制   去中心化系统  

摘要： 在数据隐私保护需求日益增长的背景下,联邦学习成为多方协作构建机器学习模型的关键技术。然而,利用区块链技术实现纵向联邦学习去中心化往往会出现智能合约负担较重的问题,若摒弃区块链技术,系统又面临缺乏有效激励机制的困境。为此,本文研究并提出一种基于区块链的去中心化纵向联邦学习方法,为纵向联邦学习提供了可靠的运行环境,提供了有效的激励机制,同时规避了智能合约负担过重的问题,有望为该领域的发展注入新的活力。 本研究致力于解决联盟环境下纵向联邦学习的去中心化问题,目标是设计并实现一个具备高可用、高效性以及公平性的原型系统。本文提出了基于改进的Hot Stuff算法和区块链的Hot Stuff-SC算法。改进后的算法对Hot Stuff算法的视图转换机制进行优化,引入协调者统一协调视图转换次序,并利用区块链实现链上溯源。同时,将训练过程创新性地划分为链下训练、链上溯源和链下共识三个阶段,显著减轻了智能合约的调用压力。实验结果显示,相较于传统方法,本文提出的方法实现了纵向联邦学习的去中心化和激励机制,解决了纵向联邦学习单点故障的问题,同时激励机制能够很好的吸引更优质的数据源参与训练。在系统实现层面,本研究构建了可视操作服务平台、服务端/客户端和智能合约模块,其中可视化操作服务平台为系统提供页面服务和任务管理服务,简化用户任务管理流程,增强用户使用体验;服务端/客户端模块主要实现了系统核心的共识模块、训练交互模块和智能合约交互模块,为用户模型训练提供支撑;智能合约为系统提供了奖惩和溯源的能力。 本文首先综述了去中心化联邦学习的国内外研究现状,并阐述了相关基础理论,为研究奠定基础。随后重点提出改进的Hot Stuff-SC共识算法,结合区块链与智能合约技术优化系统性能。在算法设计方面,详细介绍了基于Split-NN和Secure Boost的纵向联邦学习流程,涵盖样本对齐、模型训练、贡献评估等关键环节。系统设计部分从需求分析到详细实现层层递进,通过架构图、时序图等形式完整呈现了系统各模块。最后通过测试验证了系统功能,并展望了未来研究方向。全文逻辑清晰,理论与实践相结合,为去中心化联邦学习提供了创新解决方案。

关键词： 云计算   信息安全   数据加密技术  

摘要： 随着云计算技术的迅猛发展，越来越多的企业和个人选择将数据与应用迁移至云端。在云计算环境下，数据存储和处理的集中化使得信息安全面临更大的挑战，如数据泄露、网络攻击和隐私侵犯等。本文探讨了云计算环境下计算机信息安全技术的深度应用与策略，分析了当前的信息安全现状及面临的问题，并提出有效的安全防护措施，以保障数据安全和用户隐私，促进云计算的健康发展。

关键词： 区块链   车联网   数据共享   安全机制  

摘要： 随着车联网技术的快速发展，数据共享对于提升交通效率、保障行车安全等具有重要意义。然而，传统车联网数据共享在安全、隐私和信任等方面面临诸多挑战。本文深入研究了基于区块链的车联网数据共享方法，分析区块链技术在车联网中的应用优势，探讨其面临的挑战，并提出了针对性的解决方案，旨在为车联网数据共享提供安全、高效、可信的实现路径。

关键词： 区块链   信誉   隐私保护   全同态加密   马尔可夫决策过程  

摘要： 基于信誉的区块链系统在能源交易、供应链管理及工业4.0等关键领域的应用中展现出巨大潜力,其核心在于通过历史行为数据对节点进行信誉评估,从而实现交易效率提升和透明度增强。然而,随着业务场景不断扩展与数据互联性的显著提升,当前基于信誉的区块链系统面临两大主要挑战:1)在动态、多变的应用环境中,如何准确、可靠地评估共识节点的诚实性及处理能力,避免因评估不精准而被攻击者利用,从而引发针对高吞吐量节点的缓慢自适应攻击;2)在进行信誉更新过程中,敏感数据的隐私保护难题日益突出,如何在确保实时信誉更新与系统高效运行的同时防止数据泄露、保护节点隐私,成为亟待解决的技术难题。 为应对上述挑战,本文提出两项改进方案,旨在在提升系统安全性与稳定性的同时,实现隐私保护与运行效率之间的平衡,为基于信誉的区块链系统提供可实施的优化策略。具体工作如下: (1)针对恶意节点难以及时识别与惩罚以及信誉更新过程中可能引发的隐私泄露问题,本文提出了一种基于动态信誉共识的隐私保护机制。该方案引入动态逻辑回归模型,根据节点历史行为实时分配信誉分数,并通过动态信誉上限控制机制防止信誉过度积累,抑制节点权力集中,从而保障系统公平性与去中心化。在隐私保护方面,方案融合全同态加密技术与机密智能合约,在信誉更新过程中实现行为数据的全程加密计算,防止高信誉节点被识别,有效抵御缓慢自适应攻击。同时,结合增强型访问控制列表(ACL)机制与输入打包技术,提升了加密计算的效率与数据访问控制的精度,实现对信誉数据的细粒度读写管理。仿真结果与分析证实,该方案在隐私敏感的共识场景中表现出良好的抗慢自适应攻击隐私保护特性和相对较低的共识延迟。 (2)针对链上计算负担过重、系统吞吐能力有限以及高频信誉更新引发的行为隐私泄露风险等问题,提出了一种面向二层网络(Layer-2)的马尔可夫信誉隐私保护方案,着重解决高并发环境下的信誉评估与数据隐私双重需求。该方案依托区块链的第二层扩展架构,采用马尔可夫决策过程模型,在链下进行快速、高效的信誉计算,从而减轻主链的运算压力,提升系统整体吞吐量和响应速度。通过结合零知识证明等隐私保护技术,在确保实时信誉更新的同时,进一步强化了数据隐私保护,避免了因高频计算而可能导致信息泄漏风险。该方案不仅在检测与惩罚恶意节点方面具有较高的鲁棒性,而且在系统扩展性和低延迟需求之间找到了平衡点,为基于信誉的区块链系统在面对复杂动态场景时提供了更为灵活、高效的解决路径。仿真结果表明,该Layer-2架构下的信誉计算模型显著提升了共识效率,降低了系统延迟,同时在隐私保护与数据安全方面表现优异,验证了其在高并发、复杂应用场景中的实用价值和前瞻性意义。