文章提出了一个基于以太坊的，能够将孤立的众包平台任务资源联合起来，并实现准确的任务推荐，且保证共享和推荐过程隐私安全的可信平台。

当前存在的问题：

  • 各个众包平台相互独立，无法将计算资源集中，任务推荐的范围具有局限性，任务请求者无法获取到充分且准确的任务资源。
  • 众包平台采用集中式的部署方式，容易受到单点故障和恶意攻击的影响

其中，借助区块链去中心化的特性解决第二种问题；关于第一种问题，文章设计了一种任务资源共享流程，并提出了针对该流程的任务匹配协议，采用将代理重加密和双线性配对混合的方式，实现在不共享密钥的情况下，对加密后的任务索引进行匹配。

该文章设计的任务资源共享流程如下:

概括来说，是将上传者的任务原文，加密后仍然存放在原有的众包系统中，文章称之为代理人。同时将标识任务类别的标签等信息，由代理人服务器进行重加密，将密文转换为同一个格式的加密任务索引，嵌入到智能合约。工人在查询任务时，将加密关键字发送到代理人服务器，代理人服务器在进行重加密后，利用智能合约中嵌入的索引进行双线性匹配，匹配成功后，将匹配结果记录到区块链中，最后工人可根据查询推荐结果，向对应的代理请求任务。

文章在平台设计部分，分为两部分介绍，分别是流程设计和原理设计。在原理设计部分，对于流程设计中每个涉及的算法，采用伪代码作了详细的描述。同时对流程中的每个具体操作，附上相关的数学公式。

基于区块链物联网设备联邦学习系统

智能家居制造商为了提高市场占有率和用户满意度，需要对用户未来的需求和消费进行预测。而预测需要用户的日常使用数据，

当前存在的问题：

  • 对于用户而言，制造商采集用户对智能设备的使用数据时，可能存在恶意过度采集数据，导致用户隐私数据的泄漏。
  • 对于制造商，客户在提供数据时，有可能会提供虚假数据或者脏数据，对最终的预测结果产生影响
  • 将所有数据上传到集中式服务器，进行预测模型的统一训练，可能会受到恶意攻击导致数据泄漏，同时存在单点故障的风险

其中，借助区块链不可篡改、可追溯的特性解决前两种问题，采用联邦学习的方式解决第三种问题，同时针对模型安全和模型过大影响存储效率问题，文章一方面使用差分隐私和批量归一化，来防止对手通过分析用户上传的模型得到原始数据。另一方面，使用ipfs分布式文件存储方式，实现对模型的存储，区块链总只存储模型对应的地址hash即可。

文章所提出的流程如下：

  • 首先建立初始模型并上传到区块链，用户在边缘计算设备下载初始模型，并在本地使用本地数据完成模型的训练，将得到的模型上传到区块链，同时上传的，还有自身的签名。其中，在进行本地数据特征提取后，对特征添加噪声处理。
  • 选择某个组织作为矿工，对用户上传的模型，进行签名验证和模型聚合，矿工确认交易后，可凭借交易记录赢取奖励，根据奖励，确定下一轮该组织被选为矿工的权重。
  • 最后，从一组矿工中，选择领导者，负责对用户上传的模型聚合和更新全局模型。同时矿工的模型聚合结果主要是对领导者的聚合结果进行验证。

文章同时采取了激励机制，鼓励更多的用户参与模型的训练：给定初始声望、在用户上传模型，并经过矿工成功验证且评价积极后，声望加一，否则减一