跳到主要内容
检索

# Blockchain Technology Applications and Security

2 篇关联报道

订阅更新
  1. FedTrust-GNN 在 1 万至 10 万参与者规模下达到 94.2% 准确率,并将标签翻转攻击成功率从 34% 降至 6.1%

    该工作提出 FedTrust-GNN,一个把差分隐私联邦学习与安全多方计算、采用 PBFT 共识的许可链、以及异构图注意力网络(HGAT)推断的动态信任分数结合起来的去中心化用户建模框架,并用信任加权鲁棒聚合(TWRA,结合范数裁剪与坐标中位数聚合)实现拜占庭容错;在 Federated EMNIST、Stack Overflow 与合成数据集(1 万至 10 万参与者)上报告 94.2% 准确率(与中心化模型相差 1.3% 以内)、标签翻转攻击成功率由 34% 降至 6.1%(降低 82%)、收敛稳定性提升 41%,以及 1200 TPS 与 2.3 秒最终性的区块链性能。

  2. Ridezy 用边缘 AI 与物联网传感器实时生成司机可信度,并把哈希与信誉更新锚定在 Polygon 上,在行为检测保真度与信任保证上优于传统评分、纯 AI 与纯区块链三种基线

    本文提出 Ridezy——一个去中心化信任架构,用边缘人工智能与物联网(AIIoT)持续监测车道保持、限速合规、制动行为和交通标志遵守等行为指标,把行为摘要放在链下处理、仅将加密哈希、可信度更新与支付记录锚定到 Polygon 智能合约,并与传统评分制、纯 AI 架构、纯区块链架构三种信任模型在行为检测性能、端到端时延、成本效率、吞吐量、信誉稳定性、防篡改以及组件消融等维度上进行比较,结果显示该混合架构在保持低单次行程链上成本并通过批量链上提交实现可扩展运行的同时,取得更高的行为保真度与更强的信任保证。

已读完全部报道