基于联邦学习的粮食供应链隐私数据要素协同计算研究 .pdfVIP

基于联邦学习的粮食供应链隐私数据要素协同计算研究--第1页

2023年12月第5卷第4期智慧农业（中英文）SmartAgricultureDec.2023Vol.5,No.4

基于联邦学习的粮食供应链隐私数据要素协同计算研究

*

许继平1，2，李卉1，2，王浩宇1，2，周燕1，2，王昭洋1，2，于重重1，2

（1.北京工商大学计算机与人工智能学院，北京100048，中国；2.中国轻工业工业互联网与大数据重点实验室，

北京100048，中国）

摘要：［目的/意义］隐私数据要素的流转是保证粮食供应链安全高效运行的重要基础。实现粮食供应链中隐私

数据要素的协同计算对保障粮食质量安全具有重大意义。［方法］针对供应链中不同主体间因数据的隐私性而无法

共享并参与计算的难题，提出基于工业互联网标识解析技术与联邦学习的粮食供应链数据流转与协同计算架构，

设计了支撑联邦学习数据互通的数据标识编码和任务标识编码及对应的参数、信息和评价数据模型；搭建了不同

主体数据特征同构的单环节横向联邦学习模型和数据特征异构的跨环节纵向联邦学习模型，基于逻辑回归算法对

模型参数进行快速调整计算，以粮食供应链安全风险评估场景为对象，依托开源FATE（FederatedAITechnology

Enabler）联邦学习平台进行测试验证。［结果和讨论结果和讨论］］相比传统的单一主体评估计算，横向联邦学习评估准确率

提升6.7%，纵向联邦学习评估准确率提升8.3%。［结论］采用联邦学习的方式提高了评估的准确性。本研究可为

粮食供应链安全高效稳定运行提供技术支撑。

关键词：联邦学习；标识解析；协同计算；隐私数据交互；粮食供应链；数据要素

中图分类号：TP311；TP391.4；TN929.5文献标志码：A文章编号：SA202309012

引用格式：许继平,李卉,王浩宇,周燕,王昭洋,于重重.基于联邦学习的粮食供应链隐私数据要素协同计算研究[J].

智慧农业(中英文),2023,5(4):79-91.DOI：10.12133/j.smartag.SA202309012

XUJiping,LIHui,WANGHaoyu,ZHOUYan,WANGZhaoyang,YUChongchong.Collaborativecomputingoffoodsup‐

plychainprivacydataelementsbasedonfederatedlearning[J].SmartAgriculture,2023,5(4):79-91.DOI：10.12133/j.

smartag.SA202309012(inChinesewithEnglishabstract)

0引言难以及时掌握行业整体情况。

为解决数据要素［4］的流转与协同计算问题，

随着经济水平的提升和科学技术的进步，粮食

中国提出了工业互联网标识解析体系［5］，构建了包

行业正处于一个新的发展时期，出现速度加快、效

含国际根节点、国家顶级节点、二级节点和递归节

益提高的局面。截至2022年，中国粮食产量已达点的层次型架构，并在北京、上海、广州、武汉和

68653万吨，世界粮食产量达31.55亿吨，市场未