目录介绍
第1部分6G可信可靠智能概述
第1章6G愿景和需求3
1.16G的发展愿景及其典型场景3
1.1.16G的发展愿景3
1.1.26G的潜在应用场景5
1.26G的主要特点和需求8
1.2.1泛在智能8
1.2.2虚实融合10
1.2.3安全性和可靠性11
1.36G可信可靠关键技术12
1.3.1区块链12
1.3.2隐私计算13
1.3.3零信任网络14
1.3.4数据价值评估14
本章小结15
第2部分融合区块链的可信可靠智能
第2章区块链技术概述19
2.1区块链技术基础19
2.1.1加密数据结构20
2.1.2哈希函数21
2.1.3数字签名22
2.1.4共识机制23
2.1.5智能合约24
2.2区块链的种类25
2.2.1公共区块链25
2.2.2私人区块链26
2.2.3联盟区块链26
2.2.4混合区块链27
2.3典型的区块链平台和应用28
2.3.1比特币和以太坊28
2.3.2超级账本平台29
2.3.3FISCO BCOS30
本章小结31
目录
目录
第3章融合区块链的联邦学习机制32
3.1区块链分片技术概述32
3.1.1网络分片33
3.1.2交易分片34
3.1.3状态分片34
3.2面向联邦学习的区块链技术35
3.2.1面向联邦学习的区块链分片技术36
3.2.2面向联邦学习的区块链分片激励机制37
3.3融合区块链的异构联邦学习方案38
3.3.1基于动态压缩的联邦学习方法38
3.3.2区块链分片方案40
3.3.3基于二维契约理论的解决方案42
3.3.4实验评估43
本章小结47
第4章融合区块链的泊车边缘计算及应用48
4.1概述48
4.2融合区块链的泊车边缘计算51
4.2.1区块链搭建与智能合约设计51
4.2.2用户导向的计算迁移服务53
4.2.3实验评估58
4.3基于行为激励的智能泊车应用60
4.3.1基于联邦学习的车位预测方法61
4.3.2基于深度强化学习的激励机制63
4.3.3实验评估66
本章小结71
第3部分基于隐私计算的可信可靠智能
第5章隐私计算技术概述75
5.1安全多方计算75
5.2差分隐私技术76
5.3可信执行环境78
5.4联邦学习技术78
5.5协同推断技术79
第6章基于差分隐私的联邦学习机制81
6.1联邦学习的隐私问题概述81
6.1.1基于本地模型的隐私攻击82
6.1.2基于全局模型的隐私攻击83
6.2现有隐私保护方法概述84
6.2.1模型加密方法84
6.2.2模型扰动方法84
6.2.3输入扰动方法85
6.3训练机制和激励机制设计85
6.3.1基于差分隐私的训练机制85
6.3.2基于多维契约论的激励机制88
6.4实验评估93
6.4.1训练机制效果评估93
6.4.2激励机制效果评估97
本章小结99
第7章基于差分隐私的协同推断机制100
7.1协同推断的隐私问题概述100
7.1.1协同推断原理100
7.1.2图像复原攻击101
7.2现有隐私保护方法概述102
7.2.1切点选择方法102
7.2.2噪声干扰方法102
7.2.3随机丢弃方法103
7.3推断机制和激励机制设计103
7.3.1基于差分隐私的推断机制103
7.3.2基于主从博弈的激励机制105
7.4实验评估109
7.4.1推断机制效果评估109
7.4.2激励机制效果评估113
本章小结114
第4部分面向零信任网络的可信可靠智能
第8章零信任网络概述117
8.1零信任技术及研究现状117
8.1.1零信任的演进117
8.1.2零信任核心原则及架构118
8.1.3零信任关键技术119
8.2零信任应用场景119
8.2.1大数据中心119
8.2.2云计算与边缘计算120
本章小结121
第9章在零信任环境下的可信可靠切片122
9.1切片技术概述122
9.1.1接入侧切片技术122
9.1.2传输网切片技术123
9.1.3核心网切片技术123
9.2切片部署与调度方法123
9.3面向零信任网络的可信可靠智能切片设计124
9.3.1零信任车联网的核心原则及架构124
9.3.2车联网中的信任评估机制125
9.3.3车联网切片部署优化算法126
9.3.4实验评估132
本章小结134
第10章零信任环境下的可信可靠接入135
10.1零知识证明概述135
10.2可信可靠接入方法136
10.3面向零信任网络的可信可靠智能接入方法设计136
10.3.1零知识证明的应用136
10.3.2区块链的应用139
10.3.3冗余边缘算力优化方法141
10.3.4实验评估143
本章小结145
第5部分数据价值驱动的可信可靠智能
第11章数据价值评估概述149
11.1信息熵的概述149
11.1.1熵(平均自信息)149
11.1.2联合熵151
11.1.3条件熵151
11.1.4互信息152
11.2面向数据价值的信息熵评估方法153
11.2.1信息熵评估方法153
11.2.2f散度评估方法155
11.2.3Wasserstein距离评估方法156
11.3信誉值的概述157
11.3.1信誉值的定义157
11.3.2信誉值的类型158
11.3.3信任交互决策159
11.4面向数据价值的信誉值分析方法160
11.4.1损失函数计量法160
11.4.2模型方向测试法161
11.4.3数据质量衡量法162
第12章信息熵驱动的联邦学习机制163
12.1系统模型与问题描述163
12.2激励机制设计167
12.3实验评估169
本章小结175
第13章信誉值驱动的联邦学习机制176
13.1系统模型与问题描述176
13.1.1可靠性模型176
13.1.2能耗模型177
13.1.3信誉模型177
13.2拍卖机制设计178
13.3实验评估180
本书参考文献184