基于机器学习的公平数据交易

海量数据的涌现催生了一种新兴的数据交易模式: 数据市场. 但中心化的数据市场易遭到单点失败、内部或外部攻击. 区块链的出现为实现去中心化的数据交易提供了一种可能. 然而, 实现数据持有者与数据消费者公平数据交易, 还需解决如下挑战: (1) 数据持有者数据的可靠性; (2) 互不信任的双方原子交换的公平性. 本文提出了基于机器学习的公平数据交易协议以解决这些挑战, 运用反向传播神经网络和向量承诺实现数据持有者与数据消费者交易数据的可靠性验证, 结合智能合约达到数据交易的公平性.最后, 借助以太坊对协议进行实际部署, 测试其Gas消耗, 说明协议的实用性....

Full description

Saved in:
Bibliographic Details
Published inJournal of Cryptologic Research Vol. 7; no. 4; p. 541
Main Authors Yan-Qi, ZHAO, YU, Bin, Hui-Lin, LI, Ruo-Nan, CHEN, YU, Yong, 赵艳琦, 于斌, 李慧琳, 陈若楠, 禹勇
Format Journal Article
LanguageChinese
Published Beijing Chinese Association for Cryptologic Research, Journal of Cryptologic Research 01.01.2020
Subjects
Back propagation networks
Consumers
Cryptography
Data exchange
Machine learning
Neural networks
Reliability
Online AccessGet full text
ISSN2097-4116
DOI10.13868/j.cnki.jcr.000388

Cover

More Information
Summary:海量数据的涌现催生了一种新兴的数据交易模式: 数据市场. 但中心化的数据市场易遭到单点失败、内部或外部攻击. 区块链的出现为实现去中心化的数据交易提供了一种可能. 然而, 实现数据持有者与数据消费者公平数据交易, 还需解决如下挑战: (1) 数据持有者数据的可靠性; (2) 互不信任的双方原子交换的公平性. 本文提出了基于机器学习的公平数据交易协议以解决这些挑战, 运用反向传播神经网络和向量承诺实现数据持有者与数据消费者交易数据的可靠性验证, 结合智能合约达到数据交易的公平性.最后, 借助以太坊对协议进行实际部署, 测试其Gas消耗, 说明协议的实用性.
Bibliography:ObjectType-Article-1
SourceType-Scholarly Journals-1
ObjectType-Feature-2
content type line 14
ISSN:2097-4116
DOI:10.13868/j.cnki.jcr.000388