基于区块链技术的新冠检测框架与智慧城市访问控制体系

### 基于区块链技术的新冠检测框架与智慧城市访问控制体系 #### 基于区块链的新冠检测框架 在新冠疫情的大背景下，利用区块链和人工智能等技术进行新冠检测是一个重要的研究方向。 ##### 系统设计 - **解密阶段**：成功检索数据后需要进行解密操作。解密公式为：$decryp(C′_{ph}, κ_{ui}, sκ_{ui}) →M_{ph}$，其中$C′_{ph}$、$κ_{ui}$、$sκ_{ui}$是输入，$M_{ph}$是原始数据记录。 - **训练集与全球模型**：利用医生提供的本地信息$F_{dx.dt} = ⟨f_{x1}, f_{xd}⟩$创建训练集，然后将其作为全球模型进行传递。 - **数据检索共识程序**：当数据提供者广播区域模型并在区块链网络中生成交易后，合适的节点会执行共识程序进行数据检索。 - **恶意节点追踪**：可以使用$tra(pub\_key, l, dκ_{ui}) →(add\_Id_{vi}/mod)$来追踪恶意节点或其ID，其中$pub\_key$、$l$、$dκ_{ui}$作为输入，$add\_Id_{vi}/mod$是输出。 - **数据重新加密**：系统需要将数据以加密格式存储，因此会进行重新加密操作。 下面是该系统设计的流程： ```mermaid graph LR A[数据检索] --> B[解密] B --> C[创建训练集] C --> D[广播区域模型] D --> E[共识程序数据检索] E --> F[恶意节点追踪] F --> G[数据重新加密] ``` ##### 实验设置 在去中心化环境中，对静态和动态边缘节点进行实验。边缘设备根据应用类型的不同，具有不同的GPU、处理能力和传感器。 - **硬件选择**：选用Raspberry Pi 4作为联邦块，运行Ubuntu 18.04并连接到互联网。由于网络基础设施的限制，选择了具有Intel Core (TM) i5 [email protected] GHz、操作系统和4 GB RAM的以太坊个人链。 ##### 数据集 在临床护理中，人工智能在疾病识别方面具有重要作用，但合适数据的可用性是基于人工智能方法面临的最大障碍。为了进行研究，收集了不同医院的CT扫描数据，并对数据进行了预处理，发现原始数据存在一些不一致性。 ##### 性能指标 使用以下不同的指标来检测新冠患者： - **特异性（Sp）**：$Sp = \frac{tN}{tN + fp}$ - **精确度（Pr）**：$Pr = \frac{tp}{tp + fp}$ - **总准确率（TAc）**：$TAc = \frac{tp + f}{tp + fp + tN + fN}$ | 指标 | 公式 | | ---- | ---- | | Sp | $Sp = \frac{tN}{tN + fp}$ | | Pr | $Pr = \frac{tp}{tp + fp}$ | | TAc | $TAc = \frac{tp + f}{tp + fp + tN + fN}$ | #### 智慧城市基于属性的访问控制体系 随着技术的不断发展，区块链和物联网技术在智慧城市的各个方面得到了广泛应用。 ##### 研究背景与目