分類問(wèn)題作為人工智能領(lǐng)域尤其是數(shù)據(jù)挖掘方向的一個(gè)重要問(wèn)題,廣泛存在于語(yǔ)音及圖像識(shí)別、計(jì)算機(jī)視覺(jué)分析與處理等大數(shù)據(jù)應(yīng)用場(chǎng)景,近年來(lái)深受學(xué)者關(guān)注,諸多相應(yīng)分類算法也陸續(xù)提出。在設(shè)計(jì)各種分類算法的過(guò)程中,分類學(xué)習(xí)模型的訓(xùn)練生成是至關(guān)重要的一環(huán)。在訓(xùn)練集數(shù)據(jù)量足夠大且對(duì)應(yīng)數(shù)據(jù)質(zhì)量較高的前提下,得出的學(xué)習(xí)模型分類精度一般相應(yīng)較高。本文緊密結(jié)合區(qū)塊鏈技術(shù)從如何確保數(shù)據(jù)總量和如何保證數(shù)據(jù)質(zhì)量?jī)煞矫嫒胧?旨在提出設(shè)計(jì)分布式環(huán)境高精度分類算法的有效解決方案。主要研究?jī)?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(dú)立性,大數(shù)據(jù)挖掘應(yīng)用需要整合一定規(guī)模的數(shù)據(jù)進(jìn)行模型訓(xùn)練,經(jīng)常會(huì)因數(shù)據(jù)的私密性而遇到數(shù)據(jù)壁壘問(wèn)題,難以促成各數(shù)據(jù)擁有方進(jìn)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(wèn)題,本文提出一種基于區(qū)塊鏈技術(shù)的加密數(shù)據(jù)聯(lián)合方案以打破分類學(xué)習(xí)數(shù)據(jù)壁壘,使得互不信任的相關(guān)數(shù)據(jù)擁有方之間在智能合約基礎(chǔ)上進(jìn)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(xué)習(xí)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(chǔ)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(lái)源】：湖南師范大學(xué)湖南省 211工程院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)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(xué)位論文323.6.3實(shí)驗(yàn)過(guò)程本節(jié)使用基于瀏覽器的IDE環(huán)境Remix進(jìn)行智能合約的編寫與測(cè)試，編寫成功后再進(jìn)入聯(lián)盟鏈控制臺(tái)進(jìn)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(gè)結(jié)構(gòu)體，分別是數(shù)據(jù)請(qǐng)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(chǔ)雙方信息的映射關(guān)系等；合約編寫成功后可點(diǎn)擊Run下的Deploy進(jìn)行合約部署，測(cè)試結(jié)果如圖3-8所示。在中可以添加節(jié)點(diǎn)賬戶地址，最后保存于存放數(shù)據(jù)請(qǐng)求放的列表中。功能中輸入數(shù)據(jù)分類前后的兩個(gè)精度進(jìn)行精度提升值的計(jì)算，第三個(gè)變量為數(shù)據(jù)請(qǐng)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(diǎn)后三位并進(jìn)行整數(shù)間近似計(jì)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(diǎn)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(cè)試結(jié)果圖3.6.4實(shí)驗(yàn)結(jié)果（1）數(shù)據(jù)分類階段本節(jié)通過(guò)仿真實(shí)驗(yàn)表明通過(guò)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(jìn)隱私數(shù)據(jù)共享進(jìn)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(dá)成數(shù)據(jù)交易,實(shí)現(xiàn)高質(zhì)量數(shù)據(jù)共享，進(jìn)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(shí)驗(yàn)環(huán)境，本文共搭建了四個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)A、B、C、D互相作為數(shù)據(jù)請(qǐng)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(shí)驗(yàn)結(jié)果如圖3-9所示，其中(a)圖表示A節(jié)點(diǎn)加密數(shù)據(jù)分類精度圖、(b)圖表示B節(jié)點(diǎn)加密數(shù)據(jù)分類精度圖、(c)圖表示C節(jié)點(diǎn)加密數(shù)據(jù)分類精度圖、(d)圖表示D節(jié)點(diǎn)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(qǐng)求方節(jié)點(diǎn)訓(xùn)練生成。橫坐標(biāo)表示訓(xùn)練分類模型所使用的數(shù)據(jù)集大小，縱坐標(biāo)表示生成模型的分類精度。圖中每一條曲線從同一起點(diǎn)出發(fā)，該起點(diǎn)則表示數(shù)據(jù)請(qǐng)求方節(jié)點(diǎn)使用本地10000條明文數(shù)據(jù)所訓(xùn)練生成模型產(chǎn)生的分類精度值(實(shí)驗(yàn)中使用本地10000條明文數(shù)據(jù)并不代表本地僅10000個(gè)數(shù)據(jù))。橫坐標(biāo)以4000恒定增長(zhǎng)表示聯(lián)盟鏈中的數(shù)據(jù)請(qǐng)求方節(jié)點(diǎn)將數(shù)據(jù)擁有方節(jié)點(diǎn)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(jìn)行訓(xùn)練且每次增加數(shù)據(jù)量為4000條；當(dāng)橫坐標(biāo)為10000時(shí)，縱坐標(biāo)所對(duì)應(yīng)的精度

【參考文獻(xiàn)】：
期刊論文
[1]高性能聯(lián)盟區(qū)塊鏈技術(shù)研究[J]. 朱立,俞歡,詹士瀟,邱煒偉,李啟雷.  軟件學(xué)報(bào). 2019(06)
[2]區(qū)塊鏈安全問(wèn)題:研究現(xiàn)狀與展望[J]. 韓璇,袁勇,王飛躍.  自動(dòng)化學(xué)報(bào). 2019(01)
[3]區(qū)塊鏈技術(shù)對(duì)人工智能的影響[J]. 潘吉飛,黃德才.  計(jì)算機(jī)科學(xué). 2018(S2)
[4]一種基于混合二叉樹結(jié)構(gòu)的多類支持向量機(jī)分類算法[J]. 冷強(qiáng)奎,劉福德,秦玉平.  計(jì)算機(jī)科學(xué). 2018(05)
[5]同態(tài)加密在加密機(jī)器學(xué)習(xí)中的應(yīng)用研究綜述[J]. 崔建京,龍軍,閔爾學(xué),于洋,殷建平.  計(jì)算機(jī)科學(xué). 2018(04)
[6]區(qū)塊鏈技術(shù)發(fā)展現(xiàn)狀與展望[J]. 袁勇,王飛躍.  自動(dòng)化學(xué)報(bào). 2016(04)

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的分類器改進(jìn)算法研究與應(yīng)用[D]. 李圓滿.中國(guó)地質(zhì)大學(xué)(北京) 2019
[2]隱私保護(hù)卷積神經(jīng)網(wǎng)絡(luò)前向傳播方法研究[D]. 許世聰.西安電子科技大學(xué) 2019
[3]基于同態(tài)加密隱私保護(hù)的機(jī)器學(xué)習(xí)關(guān)鍵技術(shù)研究[D]. 何偉超.電子科技大學(xué) 2019
[4]基于隨機(jī)森林的深度網(wǎng)絡(luò)模型及其在圖像分類上的應(yīng)用[D]. 侯艷路.中國(guó)礦業(yè)大學(xué) 2018
[5]基于Spark分布式平臺(tái)的隨機(jī)森林分類算法研究[D]. 牛志華.中國(guó)民航大學(xué) 2017



本文編號(hào)：2991569