[发明专利]一种具有隐私保护的区块链节点可靠性预测方法及系统

说明书

本发明公开了一种具有隐私保护的区块链节点可靠性预测方法及系统，无需将用户拥有的敏感数据传送至中心服务器进行训练，只需要每个参与的用户通过本地自己拥有的数据共同训练一个全局模型，每个用户通过自己本地的数据不断去修正全局模型，最后共同训练出来的全局模型适用于各个用户。在整个训练过程中，用户只需要传递训练后的模型到中心服务器，中心服务器通过聚合本地训练后的模型来更新全局模型，再传递更新后的全局模型给用户，不断迭代这个过程直至达到预定误差范围内。这个过程不涉及用户敏感数据的传递，只传递了训练模型，有效地保护了用户隐私。

技术领域

本发明涉及一种数据预测方法及系统，尤其涉及一种具有隐私保护的区块链节点可靠性预测方法及系统。

背景技术

近年来，区块链技术因其去中心化，不可逆，可追溯等特性引起了学界和工业界广泛的关注。区块链技术除了应用在数字货币上，还被应用在金融、社会服务、风险管理和医疗设施等领域。在公共区块链系统中，用户通常需要连接第三方对等网络或运行对等网络加入P2P区块链网络。然而，连接到不可靠的区块链节点会导致用户浪费资源，比如imToken服务器节点出现同步故障，导致用户可能因为转账超时或收款没有记录而重复发送交易，造成一定的经济损失。因此，区块链用户选择可靠的区块链节点进行连接是非常重要的。直至2021年3月，以太坊系统大约有超过6000个区块链节点。单个用户不大可能同时连接所有区块链节点以测试节点的可靠性，因为这样做非常耗时和浪费资源，而且因为网络系统的复杂性，每个区块链节点对不同用户的可靠性是不一样的，所以需要针对每个用户做个性化的预测。

协同过滤(CF)作为一种典型的方法，在web服务可靠性预测中得到了广泛的应用。CF可分为基于邻域和基于模型的协同过滤两类。大多数基于领域的协同过滤方法是利用了相似的邻域的历史调用信息进行预测，基于邻域的协同过滤可分为基于用户的协同过滤和基于项目的协同过滤。郑等人提出了一个基于邻域的混合模型，它集成了基于用户和基于项目的协同过滤方法。随着互联网上服务数量的迅速增加，用户只能获得少量的QoS(服务质量)值。基于邻域的方法容易受到数据稀疏性的影响，导致相似性计算的不准确。并且，如果数据集过于庞大，会导致相似度计算的时间复杂度随着网络服务的规模而增加。而基于模型的协同过滤可以有效地解决这些问题。矩阵分解(MF)作为一种基于模型的CF技术，以其良好的可扩展性和高精度而成为最著名的web服务可靠性预测方法之一。朱等人提出了自适应矩阵分解模型(AMF)，是基于传统的MF模型开发的。吴等人提出了一种通用的对上下文敏感的矩阵分解方法。尽管MF具有协同过滤的有效性，但内积简单地将潜在特征的乘法线性地结合起来，可能不足以捕捉用户交互数据的复杂结构。神经网络已被证明能够逼近任何连续函数，最近，深度神经网络(DNNs)被发现在从计算机视觉、语音识别到文本处理的几个领域都是有效的。所以有学者将他们引入了web可靠性预测，这有效地提高了预测的精度。高等人提出了一种模糊C均值(FCM)结合神经网络协同过滤(NCF)的模型。吴等人提出了一种多任务结合上下文的神经网络协同过滤模型。而针对区块链节点可靠性的预测，郑等人提出了一个混合的区块链可靠性预测模型(H－BRP)，从请求历史记录中提取区块链相关的因子(区块哈希值，区块高度，请求往返时间等)，然后为每个用户生成个性化的预测。许等人提出了一个基于矩阵分解的区块链可靠性预测模型(BSRPF)。

但这些方法并没有考虑到用户的隐私保护问题，有学者将局部敏感哈希(LSH)技术引入web服务可靠性预测用来保护用户数据隐私。齐等人提出了一种基于经典的局部敏感哈希(LSH)技术的智能城市工业环境的隐私感知数据融合和预测方法，但这只能应用于云计算与边缘计算结合的场景，虽然有效地保障了云中心无法访问用户的原始数据，但这些包含了用户的敏感数据仍然会暴露给边缘服务器。

以上所有方法都需要用户将数据发送给第三方，但数据的敏感性质意味着将其存储在集中式位置存在风险和责任。这可能会导致用户不愿意将数据上传到第三方，因此如何在保护用户隐私的情况下进行准确地预测是需要解决的问题。