分類問題作為人工智能領域尤其是數(shù)據(jù)挖掘方向的一個重要問題,廣泛存在于語音及圖像識別、計算機視覺分析與處理等大數(shù)據(jù)應用場景,近年來深受學者關注,諸多相應分類算法也陸續(xù)提出。在設計各種分類算法的過程中,分類學習模型的訓練生成是至關重要的一環(huán)。在訓練集數(shù)據(jù)量足夠大且對應數(shù)據(jù)質(zhì)量較高的前提下,得出的學習模型分類精度一般相應較高。本文緊密結(jié)合區(qū)塊鏈技術從如何確保數(shù)據(jù)總量和如何保證數(shù)據(jù)質(zhì)量兩方面入手,旨在提出設計分布式環(huán)境高精度分類算法的有效解決方案。主要研究內(nèi)容如下:（1）不同行業(yè)的數(shù)據(jù)往往產(chǎn)生于各分布式區(qū)域環(huán)境,同一行業(yè)的數(shù)據(jù)產(chǎn)生也具有較高的分布性和獨立性,大數(shù)據(jù)挖掘應用需要整合一定規(guī)模的數(shù)據(jù)進行模型訓練,經(jīng)常會因數(shù)據(jù)的私密性而遇到數(shù)據(jù)壁壘問題,難以促成各數(shù)據(jù)擁有方進行有效數(shù)據(jù)共享。為解決該分布式隱私數(shù)據(jù)共享問題,本文提出一種基于區(qū)塊鏈技術的加密數(shù)據(jù)聯(lián)合方案以打破分類學習數(shù)據(jù)壁壘,使得互不信任的相關數(shù)據(jù)擁有方之間在智能合約基礎上進行加密數(shù)據(jù)共享以確保數(shù)據(jù)集規(guī)模足夠大,從而提高分類學習算法的分類精度等性能。（2）在上述數(shù)據(jù)共享方案的基礎上提出了基于區(qū)塊鏈的ID3決策樹數(shù)據(jù)聯(lián)合分類算法BDTC,利... 

【文章來源】：湖南師范大學湖南省 211工程院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

genesis.json文件配置內(nèi)容（3）搭建聯(lián)盟鏈

碩士學位論文323.6.3實驗過程本節(jié)使用基于瀏覽器的IDE環(huán)境Remix進行智能合約的編寫與測試，編寫成功后再進入聯(lián)盟鏈控制臺進行部署。如圖3-7所示為合約的編寫，本文在合約中定義了兩個結(jié)構(gòu)體，分別是數(shù)據(jù)請求方結(jié)構(gòu)體和數(shù)據(jù)擁有方結(jié)構(gòu)體，在結(jié)構(gòu)體中定義了賬戶地址、余額以及按照索引存儲雙方信息的映射關系等；合約編寫成功后可點擊Run下的Deploy進行合約部署，測試結(jié)果如圖3-8所示。在中可以添加節(jié)點賬戶地址，最后保存于存放數(shù)據(jù)請求放的列表中。功能中輸入數(shù)據(jù)分類前后的兩個精度進行精度提升值的計算，第三個變量為數(shù)據(jù)請求方在列表中的索引，即為此次交易到賬地址。與的取值本文取精確度小數(shù)點后三位并進行整數(shù)間近似計算，取值為數(shù)據(jù)傳輸后的精度數(shù)據(jù)融合后的分類精度最大值。圖3-6節(jié)點聯(lián)通情況

基于區(qū)塊鏈的數(shù)據(jù)聯(lián)合分類算法研究33圖3-7智能合約部署圖圖3-8合約測試結(jié)果圖3.6.4實驗結(jié)果（1）數(shù)據(jù)分類階段本節(jié)通過仿真實驗表明通過加密數(shù)據(jù)共享，在保證數(shù)據(jù)隱私不泄露的情況下，促進隱私數(shù)據(jù)共享進而提升數(shù)據(jù)分類挖掘中分類精度，數(shù)據(jù)參與方基于聯(lián)盟鏈達成數(shù)據(jù)交易,實現(xiàn)高質(zhì)量數(shù)據(jù)共享，進行決策樹ID3分類算法并有效提高其模型分類精度。根據(jù)3.6.1中搭建的實驗環(huán)境，本文共搭建了四個節(jié)點，節(jié)點A、B、C、D互相作為數(shù)據(jù)請求方與數(shù)據(jù)擁有方。本章所提出的BDTC算法的數(shù)據(jù)分類實驗結(jié)果如圖3-9所示，其中(a)圖表示A節(jié)點加密數(shù)據(jù)分類精度圖、(b)圖表示B節(jié)點加密數(shù)據(jù)分類精度圖、(c)圖表示C節(jié)點加密數(shù)據(jù)分類精度圖、(d)圖表示D節(jié)點加密數(shù)據(jù)分類精度圖。圖3-9中的(a)(b)(c)(d)四幅圖，每幅圖均由數(shù)據(jù)請求方節(jié)點訓練生成。橫坐標表示訓練分類模型所使用的數(shù)據(jù)集大小，縱坐標表示生成模型的分類精度。圖中每一條曲線從同一起點出發(fā)，該起點則表示數(shù)據(jù)請求方節(jié)點使用本地10000條明文數(shù)據(jù)所訓練生成模型產(chǎn)生的分類精度值(實驗中使用本地10000條明文數(shù)據(jù)并不代表本地僅10000個數(shù)據(jù))。橫坐標以4000恒定增長表示聯(lián)盟鏈中的數(shù)據(jù)請求方節(jié)點將數(shù)據(jù)擁有方節(jié)點所共享的加密數(shù)據(jù)分批次與本地加密數(shù)據(jù)聯(lián)合進行訓練且每次增加數(shù)據(jù)量為4000條；當橫坐標為10000時，縱坐標所對應的精度

【參考文獻】：
期刊論文
[1]高性能聯(lián)盟區(qū)塊鏈技術研究[J]. 朱立,俞歡,詹士瀟,邱煒偉,李啟雷.  軟件學報. 2019(06)
[2]區(qū)塊鏈安全問題:研究現(xiàn)狀與展望[J]. 韓璇,袁勇,王飛躍.  自動化學報. 2019(01)
[3]區(qū)塊鏈技術對人工智能的影響[J]. 潘吉飛,黃德才.  計算機科學. 2018(S2)
[4]一種基于混合二叉樹結(jié)構(gòu)的多類支持向量機分類算法[J]. 冷強奎,劉福德,秦玉平.  計算機科學. 2018(05)
[5]同態(tài)加密在加密機器學習中的應用研究綜述[J]. 崔建京,龍軍,閔爾學,于洋,殷建平.  計算機科學. 2018(04)
[6]區(qū)塊鏈技術發(fā)展現(xiàn)狀與展望[J]. 袁勇,王飛躍.  自動化學報. 2016(04)

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡的分類器改進算法研究與應用[D]. 李圓滿.中國地質(zhì)大學(北京) 2019
[2]隱私保護卷積神經(jīng)網(wǎng)絡前向傳播方法研究[D]. 許世聰.西安電子科技大學 2019
[3]基于同態(tài)加密隱私保護的機器學習關鍵技術研究[D]. 何偉超.電子科技大學 2019
[4]基于隨機森林的深度網(wǎng)絡模型及其在圖像分類上的應用[D]. 侯艷路.中國礦業(yè)大學 2018
[5]基于Spark分布式平臺的隨機森林分類算法研究[D]. 牛志華.中國民航大學 2017



本文編號：2991569