本次组会汇报的是近期读的一篇论文，是2021年发表在IEEE TSC上的”Blockchain based Multi-Authority Fine-Grained Access Control System with Flexible Revocation”。文章提出了一种基于密钥策略属性的多权限和灵活撤销加密方案（MAFR-KP-ABE），以实现分散授权和灵活撤销的特性。又提出了一种基于MAFR-KP-ABE方案和区块链的细粒度访问控制系统，该系统满足付费数据共享服务的需求，并增强了若干安全属性。

科研背景：

随着云计算的发展，企业和组织更多会选择云服务来进行数据存储和资源共享。但是当用户想安全且有选择地共享数据时，加密数据的云存储给数据细粒度访问控制带来了巨大挑战。并且从2005年至今，属性密码备受学术界和工业界关注，一直是热门研究方向。但是国内外研究侧重纯理论、特定场景解决方案研究，研究成果之间不成体系。

科研问题：

一是实际部署的密码系统离不开用户撤销和用户密钥撤销机制，但既存的属性密码撤销机制无法兼容效率和可靠性，二是访问控制要满足越来越复杂的数据共享需求，传统的数据共享系统面临新的挑战。

科研内容：

本次组会将介绍个人近期设计实施的一个GAN网络参数更新优化算法：GAN-optimization。 该算法参考工业控制领域中的PID算法，将其结合深层网络的参数梯度更新优化算法，尝试以此解决GAN网络中因为生成器与判别器在对抗训练过程中某一方太强导致模型崩溃的问题。该方案在我们的分布式GAN架构中进行了实验, 在MNIST数据上的结果表明我们的该优化方案能够稳定的训练GAN。

内容主要包括：

1.分析GAN网络训练失败的原因，参考其他研究者的解决思路，提出自己的解决方案，

2.回顾梯度，参数更新的基本内容，总结常用的参数更新的策略:SGD，SGD-Momentum， Nesterov Momentum等内容，

3.介绍工业控制领域常用的控制策略PID，

4.比较PID针对误差的控制策略与SGD等参数更新的方案，分析两者之间的区别与联系，将PID优化策略纳入到GAN网络的参数优化过程中。

通过本次组会介绍，我们希望大家能有如下一些收获

1.自动控制领域的闭环控制，PID控制策略

2.回顾梯度，梯度更新，SGD，SGD-Momentum， Nesterov Momentum等深度学习模型的更新策略

3.GAN网络的参数更新策略

4.GAN网络面临的问题以及解决方案

上一次组会报告中我介绍了我对我的研究《基于区块链的隐私保护电动汽车充电桩推荐系统》的研究进展报告，主要介绍了系统框架，系统流程，数学模型以及实验安排等。

本次汇报主要介绍，我自己对科研问题的理解，上次组会后对于系统框架的一些修改，以及实验结果。

本次汇报主要分为：科研背景、科研问题、科研目的、进度报告、实验结果、研究计划六大部分。

科研背景
传统的充电桩推荐算法并没有提供用户隐私保护方案，并且他们所采用的集中式架构存在着服务信任问题，恶意中心节点的存在会影响充电桩推荐系统结果，同时也会对用户隐私安全产生巨大威胁。

l目前车联网与区块链结合的研究中还没有针对电动汽车充电桩推荐过程的方案。将区块链技术引入电动汽车充电桩推荐过程中，用以解决可能会产生的服务信任问题，并且利用激励机制来鼓励用户参与到推荐过程中，保障系统的运行。

科研问题
1.传统集中式服务架构存在恶意中心节点影响系统服务质量；
2.用户位置信息隐私安全。

科研目的
提出基于区块链的电动汽车充电桩推荐系统，并且使用基于k匿名的电动汽车充电桩推荐算法来保证数据隐私。该系统能够在保证服务可信的同时为用户提供隐私安全的充电桩推荐服务。

进度报告

优化模型
采用多目标优化的方法确定目的充电桩，从车辆行驶距离与充电站车辆数目两大方面进行优化，优化目标函数为：                                              

1）车辆行驶距离优化目标

该优化目标是为了尽可能的缩短车辆行驶里程，减少用户行驶时间，具体优化函数如下：

2）充电站车辆数目优化目标

该优化目标是为了尽可能的利用充电站的充电资源，平均充电站车辆数目，具体优化函数如下:

实验结果

研究计划

时间	任务
6.20-7.4	完善论文，7.10前投递
7.4-7.18	开展下一阶段工作，针对恶意用户提出解决方案并设计实验。

本次将会介绍有关《客服中心场景下基于情感分析的业务流程预测研究》的进展情况。主要内容如下：

科研背景：

• 针对大型、复杂的业务流程，业务流程管理（BPM）有利于降低流程执行成本、有助于管理人员进行决策。预测性的业务流程监控（PBPM）是业务流程管理中的重要研究领域，近年来涌现出很多相关的研究工作与成果。
• 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，以采取更为有效的资源调度等执行策略，避免不必要的损失，提升业务系统的整体性能。
• 随着技术的发展和消费模式的升级，对于面向过程的服务，客服中心直接与客户交流互动，能够直接、客观地获取客户数据。企业通过分析对应的客户数据，及时发现问题改善问题，能优化流程，降低企业成本。客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 现有的研究认为，客户情绪与认知具有相关性，且明显影响着顾客满意度及后续行为。当前研究没有有效探索客服中心通话文本中的客户情绪对业务流程状态的影响。
• 没有对比多种主流深度学习模型对业务流程预测效果的影响。

科研目的：

• 引入客户情感：创新性的提出将客服中心感知的客户情绪数据应用到业务流程预测中，提出一种客服中心场景下基于情感分析技术的业务流程预测方法，对客户的发问意图、抒发情感、表达语义等进行识别和理解，针对多个任务提高流程预测精度。
• 多模型比较：对比CNN、LSTM、Transformer预测模型在业务流程预测上的效果。

流程框架：

实验结果：

本次组会将介绍个人近期实施的一次成员推理攻击案例，通过这个真实的案例推导出差分隐私的公式；并进一步将介绍差分隐私应用到分布式GAN训练中遇到的一系列问题以及目前的解决方案。

内容主要包括：1.针对kaggle比赛的一次成功成员推理的案例，2.由思考如何应对这种攻击而推导出我们的差分隐私公式，3.将差分隐私机制加入到分布式GANs训练的方案，4. 针对原始数据与加入差分隐私后的合成数据D’之间,隐私损失评估方案落地过程中遇到的一系列实际困难和解决方案。

通过本次组会介绍，我们希望大家能有如下一些收获

1.知道什么是成员推理攻击，何种情况下可以实施这种攻击

2.通过应对成员推理攻击，理解什么是差分隐私机制，能够自己推导出差分隐私公式

3.一个现实的数据集的表示方式（经验累积概率分布函数ECDF），它为何无法使用通用的理论分布形式表示（即为何无法用累积概率分布函数CDF，和概率密度函数PDF）

4.如何比较两个数据集之间的差异，J-S散度为什么可用以及它的局限性

5.解决原始数据集D和生成数据集D’的隐私损失评估方案可行性的直观表达

6.如何将数据集的表示、数据集之间的差异性比较从点数据迁移到高维数据

之前的组会中介绍了《基于零知识证明的异构架构联邦学习安全聚合方法研究》的科研背景、问题、研究思路以及实验方案。本次组会将详细汇报系统架构、工作流程、隐私保护方案和实验进展。

科研背景

联邦学习支持在不损害多个参与者的数据隐私的情况下，创建强大的集中式模型。由于知识产权问题以及任务和数据的异构性，每个参与者独立设计自己的模型在实际应用中具有广泛的需求。在面临数据中毒攻击、模型中毒攻击以及推理攻击时，异构架构联邦学习的鲁棒性和隐私性同样会受到威胁。

科研问题

1. 大多数隐私性和鲁棒性研究都集中在同构架构下的联邦学习上，目前尚不清楚现有的攻击、隐私保护技术和防御机制是否适用于异构体系结构的联邦学习。
2. 针对于联邦学习系统的恶意攻击，现有的防御措施要么需要仔细检查培训数据，要么在服务器上完全控制培训过程，由于联邦学习需要对节点数据隐私进行保护，因此其中任何一种方法都难以在联邦学习环境中有效。

研究目的

提出一种在异构结构中基于零知识证明的联邦学习安全聚合方法，实现在服务端在不得到各个节点任何知识的同时确保学习节点用户提交具有预先指定属性的更新，在隐私性方面能够预防推理攻击，在安全性上能够抵御主流的数据中毒以及模型中毒攻击，达到增强异构架构联邦学习的隐私性及安全性。

异构架构联邦学习模型系统

1.公共数据集预训练，初始化模型
2.私有数据集训练
3.模型在public data batch上测试获取logits（softmax层之前的输出）
4.上传logits
5.计算平均，返回共识 （返回2.）

零知识证明模块

在本研究中，每个参与方必须提供一个非交互式零知识证明，证明其提交的更新logits格式正确，并且其范数符合设置的边界 （边界由公共数据集计算或中值方法） 。若服务端验证成功，进行更新步骤；若失败，将该参与方的logits排除在本次更新之外，计算其他验证成功的参与方提供的logits的平均值。

本次将会介绍有关《客服中心场景下基于情感分析的业务流程预测研究》的进展情况。主要内容如下：

科研背景：

• 预测性的业务流程监控（Predictive business process monitoring）是近年来流程挖掘领域的一个研究热点。
• PBPM分析业务流程中已完成实例的事件日志，对其正在运行的实例进行预测，以采取更为有效的资源调度等执行策略，避免不必要的损失，提升业务系统的整体性能。
• 随着技术的发展和消费模式的升级，客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 深度学习模型已经应用到流程监控领域，但是针对客服中心场景下的业务流程预测，几乎没有一种技术能利用以自然语言编写的客服通话文本，这些文本中可以保存对预测任务至关重要的用户情感信息。

科研目的：

• 针对客服中心的自然语言文本信息，提出一种客服中心场景下基于情感分析的业务流程预测方法，对客户的发问意图、抒发情感、表达语义等进行识别和理解，提高流程预测精度。

流程框架：

实验结果：