- 博客(57)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 【联邦学习+区块链】TORR: A Lightweight Blockchain for Decentralized Federated Learning
为了解决联邦学习方案中存在的问题，文章提出了一种用于联邦学习的轻量级区块链 TORR。一种新颖的共识协议可靠性证明旨在实现快速共识，同时减轻掉队者的影响。同时基于纠删码和周期性存储刷新策略设计了存储协议。
2023-11-15 11:12:53
1671
7
原创 Vue中如何为Echarts统计图设置数据
通过put()方法向JSONObject中添加键值对，最终将两个JSONObject通过add()方法添加到JSONArray中，最终返回。2、前端界面调用接口，接收返回的jsonArray，并将接收到的JSON数组赋值给this.userValue，然后调用creatUserChart方法，最终实现用户统计图的显示。在前端界面接收后端数据后，将数据赋值给ECharts中的data时出现了，数据读取失败的问题（可能是由于数据渲染的前后顺序问题）。3、最终显示结果如下图所示。
2023-08-30 20:49:21
825
原创 PageHelper实现SpringBoot+Mybatis中的数据分页查询
通过PageHelper实现数据分页查询（SpringBoot+Mabatis）
2023-08-28 14:44:56
503
原创 【联邦学习+区块链】Blockchain-based decentralized federated learning: A secure and privacy-preserving system
本文重点关注基于区块链的联邦学习框架中的数据和模型安全性，解决两个主要挑战：（1）如何在基于区块链的联邦学习架构中平衡中毒攻击和推理攻击的保护，（2）如何衡量每个参与节点的可信度以提高架构的安全性。聚合模型区块存储上传该聚合模型的验证节点、聚合模型、聚合模型的准确率、训练节点的得分以及下一轮验证节点的替代列表。这样保证了每一轮都是从分数较高且性能没有明显波动的节点中选择验证节点，同时在每一轮训练中，上一轮的验证节点不会知道下一轮的验证节点，以避免验证节点之间的合谋，提高验证节点的可信度。
2023-07-31 13:50:18
1524
2
原创 SSM Spring+Mybatis+SpringMVC技术整合流程
Spring+Mybatis+SpringMVC技术整合流程，及相关配置文件
2023-07-20 10:53:10
114
原创 【联邦学习+区块链】A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus
联邦学习结合区块链，提出了一种基于区块链的去中心化、自治的 FL 架构来应对现阶段所面临的各种挑战。
2023-07-19 10:52:39
1585
原创 JDBC 使用Statement实现用户登录，并使用PreparedStatement解决sql注入问题
【代码】JDBC 使用Statement实现用户登录，并使用PreparedStatement解决sql注入问题。
2023-06-15 18:46:05
218
原创 JDBC ResultSet获取查询结果，并封装为Account对象，存入ArrayList中
【代码】JDBC ResultSet获取查询结果。
2023-06-15 15:34:44
352
原创 Towards Blockchain-Based Reputation-Aware Federated Learning
文章将经典的FL重新定义为细粒度(fine-grained)的FL，即在MEC(移动边缘计算)网络的所有三层(即边缘、雾和云)上执行保护隐私的协作学习过程。的链下模型参数，并对它们的性能进行评估，将它们进行hash并存储在MEC网络中的分散存储(如IPFS)中。可以根据数据丰富度、context-awareness、在异构设置中提供具有代表性的非冗余模型更新的能力、掉线参与方的比例、模型更新的质量、模型更新中的统计变化等对相连。在相同的环境下，具有相同的学习任务，产生相同的模型更新。
2023-06-07 10:12:50
611
原创 Blockchain-empowered Federated Learning Challenges, Solutions, and Future Directions
这项工作全面调查了区块链empowered联邦学习(BlockFed)的挑战、解决方案和未来方向。首先，我们确定了联邦学习中的关键问题，并解释了为什么区块链提供了解决这些问题的潜在方法。其次，根据联邦学习和区块链功能的集成方式，我们将现有的系统模型分为三类。
2023-06-05 20:34:34
1155
7
原创 PKDGAN: Private Knowledge Distillation with Generative Adversarial Networks
本文提出了一个三方学习框架，即基于生成式对抗网络的私有知识蒸馏(PKDGAN)，其中学生从教师那里获得提炼的知识，并使用鉴别器进行训练以产生与教师相似的输出。
2023-05-24 10:10:09
626
原创 Java学生管理系统的简单实现
通过命令行的方式简单实现学生管理系统的逻辑，通过ArrayList对学生对象进行存储，支持空间的动态增长，最终实现学生信息的增删改查。
2023-02-23 16:04:15
207
原创 【联邦学习+区块链】FLchain: Federated Learning via MEC-enabled Blockchain Network
区块链和联邦学习的结合实现了一种实用的高鲁棒性的去中心化模型训练方案，保证了用户数据的隐私性。训练好的模型参数能够安全地存储在区块链中，对未经授权的访问和恶意行为具有万无一失的抵抗能力
2023-02-08 11:03:30
4886
4
原创 FedDPGAN: Federated Differentially Private Generative Adversarial Networks Framework
使用DP-GAN来生成多种患者数据，差分隐私技术能够保证对训练集数据的隐私保护。利用FL使得医院无需分享原始数据便可共同训练机器学习模型。
2022-10-04 10:43:10
1108
7
原创 LOGAN：Membership Inference Attacks Against Generative Models
LOGAN：Membership Inference Attacks Against Generative Models
2022-07-18 09:46:11
553
原创 Integration of Blockchain and Federated Learning for Internet of Things
分布式机器学习1.基于数据的并行化，数据分布在不同的服务器中，训练相同的机器学习模型。2.基于模型平行操作，机器学习模型被划分为几个子模块，使用相同的训练数据训练不同的子模块。联邦学习存在的问题1.终端设备由于资源限制，可能无法与中心服务器分享模型参数。（提出了协作式联邦学习，终端设备与邻居设备共享模型参数，对本地模型数据进行聚合，将聚合模型与中心服务器共享。）2.由于模型参数使用和过多使用通信网络，攻击者能够操纵模型参数来获得隐私数据。区块链网络具有去中心化的性质，该属性使得货币的存储更加安全
2022-05-16 09:06:07
3405
2
原创 PrivPy: General and Scalable Privacy-Preserving Data Mining
文章提出了一个高效的隐私保护协同数据挖掘框架PrivPy，旨在为数据挖掘编程提供一个优雅的端到端的解决方案。
2022-03-19 21:06:31
5976
原创 安全多方计算简介
文章目录一、安全多方计算定义二、安全多方计算安全模型1.行为模型2.安全门限三、安全多方计算关键技术1.秘密共享(Secret Sharing, SS)2.不经意传输(Oblivious Transfer, OT)3.混淆电路(Garbled Circuit, GC)一、安全多方计算定义安全多方计算(Secure Multi-Party Computation，SMPC)用于解决一组互不信任的参与方各自持有秘密数据，协同计算一个既定函数的问题。安全多方计算在保证参与方获得正确计算结果的同时，无法获得计
2021-11-15 11:35:51
13104
原创 ICT学习笔记(3)IP编址
IP地址： IP地址共32位，通过点分十进制表示法表示。IP地址分为网络位和主机位，可以通过子网掩码进行区分，子网掩码为1代表的是网络位，子网掩码为0代表的是主机位。网络地址： 每个IP地址都有自己的网络地址，IP地址的网络位不变主机位全变为0即为网络地址。网络地址相同的IP地址一定在同一个网段。广播地址： 网络位不变主机位全为1可用的主机数： 2^n-2 n为主机位数，减去的为网络地址和广播地址IP地址分类：A类 0 网络位8bitB类 10
2021-05-24 17:16:23
226
原创 ICT学习笔记(2)网络各层次的相关内容
文章目录一、应用层1.数据的形式2.应用层的作用3.应用层的协议二、传输层1.数据的形式2.传输层产生的原因3.传输层的作用4.传输层协议(1)TCP协议：传输控制协议(2)UDP协议：用户数据包协议三、网络层1.数据的形式2.网络层的作用3.网络层协议四、数据链路层1.数据的形式2.数据链路层的作用一、应用层1.数据的形式PDU协议数据单元2.应用层的作用产生数据3.应用层的协议HTTP：超文本传输协议Telnet：远程登录SSH：安全远程登录SMTP：简单邮件传输协议POP3：邮
2021-05-24 16:58:41
455
2
原创 ICT学习笔记(1) 网络以及网络模型的相关知识
文章目录网络一、网络的构成二、传输介质1.同轴电缆2. 双绞线3.光纤4.串口电缆三、网络模型及各层作用1.OSI模型 开放式系统互联通信参考模型（七层模型）2.TCP/IP模型（五层模型）数据封装过程网络一、网络的构成1.终端2.传输介质：双绞线 光纤 同轴电缆 串口电缆3.传输设备：路由器、交换机4.网络协议二、传输介质1.同轴电缆分类：粗缆 500m 10BASE5 粗缆造价更高细缆 185m 10BASE2同轴电缆会出现冲突域问题 CSMA/CD载波侦听多路访问技术先听
2021-05-17 20:20:15
566
原创 mini_Xception架构
参考文献：Real-time Convolutional Neural Networks for Emotion and Gender Classification1.mini_Xception架构受到了Xception架构的启发，结合了残差模块和深度可分离卷积的使用。残差模块修改了后续两个层之间所期望的映射，学习到的特征成为了原始特征图和期望的特征图之间的不同。mini_Xception结构在最后的全连接层的基础上，通过消除卷积层中的参数来进一步减少参数的数量。mini_Xception架构大约有60
2021-04-28 21:40:58
6845
1
原创 QT Designer前端页面添加的图标在程序运行时不显示解决方法
1.首先需要将图标添加到资源管理器中2.添加完毕后项目中会生成一个.qrc文件3.添加一个External Tools在PyCharm中的配置操作：File ->> Settings ->> Tools ->> External Tools名称配置Name随意Descirption随意Programpyrcc5安装位置Arguements-o $ FileNameWithoutExtension $.py $ F
2021-04-22 10:48:56
2638
原创 调用GPU进行神经网络的训练 GPU环境的搭建
1. 下载安装CUDA下载地址：https://developer.nvidia.com/cuda-toolkit-archive下载界面如图所示。根据自己的Tensorflow版本，选择相应版本的CUDA进行安装，然后根据计算机及操作系统的种类进行进一步的选择（下载方式建议选择local，network方式可能会出现一些错误）注意：在进行安装时，选择自定义安装路径，否则会因为临时解压目录和安装目录相同 ，导致安装结束后，临时解压目录被删除，所以安装目录也被删除。以至于在复制cuDNN文件时找不到文
2021-04-13 19:13:28
882
原创 Tensorflow学习笔记(四)
一、学习内容：1.搭建卷积神经网络2.Saver 保存与读取二、代码及注释：1.搭建卷积神经网络import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets('MNIST_data', one_hot=True)def compute_accuracy(v_xs,v_ys): global prediction
2021-04-08 20:50:53
162
原创 Tensorflow学习笔记(三)
一、学习内容：1.Matplotlib将学习过程可视化展示2.Tensorboard产生神经网络图3.分类4.过拟合问题的解决二、代码及注释：1.Matplotlib将机器学习过程可视化展示import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt #输出结果可视化的模块### 定义了一个函数 用来添加层def add_layer(intputs,in_size,out_size,activati
2021-04-07 21:20:11
255
2
原创 Tensorflow学习笔记(二)
一、学习内容：1、Session.run()的具体使用2、Variable变量的使用3、placeholder的定义与使用二、代码及注释：1.Session会话控制及两种打开方式import tensorflow as tfmatrix1 = tf.constant([[3,3]])#恒量 一行两列的矩阵matrix2 = tf.constant([[2], [2]])#两行一列的矩阵product = tf.matmul(matrix1,m
2021-04-06 21:13:58
150
校园网设计与实现.rar
2021-02-09
密码学课程设计.rar
2021-02-09
Java学生成绩管理系统.rar
2021-02-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人