2023 年 12 月 第 5 卷 第 4 期 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Dec. 2023 Vol. 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
1 ， 2 1 ， 2 1 ， 2 1 ， 2 1 ， 2 1 ， 2
许 继 平 ， 李 卉 ， 王 浩 宇 ， 周 燕 ， 王 昭 洋 ， 于 重 重
（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 目 的 的 / 意 意 义 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 方 法 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 （Federated AI Technology
Enabler ） 联 邦 学 习 平 台 进 行 测 试 验 证 。 ［ ［ 结 结 果 果 和 和 讨 讨 论 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 结 论 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
XU Jiping, LI Hui, WANG Haoyu, ZHOU Yan, WANG Zhaoyang, YU Chongchong. Collaborative computing of food sup ‐
ply chain privacy data elements based on federated learning[J]. Smart Agriculture, 2023, 5(4): 79-91. DOI ： 10.12133/j.
smartag.SA202309012 (in Chinese with English abstract)
难 以 及 时 掌 握 行 业 整 体 情 况 。
0 引 言
［4 ］
为 解 决 数 据 要 素 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
［5 ］
中 国 提 出 了 工 业 互 联 网 标 识 解 析 体 系 ， 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
［6 ］
68 653 万 吨 ， 世 界 粮 食 产 量 达 31.55 亿 吨 ， 市 场 未
重 庆 建 设 和 部 署 了 国 家 顶 级 节 点 。 当 前 ， 标 识 解
来 发 展 前 景 较 好 。 但 粮 食 产 业 信 息 化 水 平 仍 然 较
析 体 系 已 在 食 品 、 服 装 、 矿 用 设 备 等 行 业 得 到 广 泛
低 ， 严 重 影 响 了 中 国 粮 食 供 应 链 总 体 运 作 水 平 和 运
应 用 ， 通 过 赋 予 每 个 对 象 唯 一 的 身 份 编 码 并 承 载 相
［1 ］
［7 ］
作 效 率 ， 造 成 了 粮 食 供 应 链 上 的 信 息 阻 塞 。 但 由
关 数 据 信 息 ， 起 到 整 合 加 工 产 业 资 源 ， 打 通 产 业
于 数 据 安 全 等 一 系 列 问 题 ， 各 个 行 业 都 不 愿 意 共 享
链 、 供 应 链 和 销 售 链 ， 将 企 业 、 生 产 者 与 消 费 者 进
本 地 数 据 ， 尤 其 是 涉 及 行 业 机 密 的 隐 私 数 据 ， 以 至
行 串 联 的 作 用 ， 还 能 融 合 工 业 互 联 网 、 产 业 互 联 网
［2, 3 ］ ［8-10 ］
于 当 前 大 部 分 数 据 无 法 流 通 并 参 与 协 同 计 算 ， 和 消 费 互 联 网 ， 有 利 于 发 挥 集 约 效 应 。 但 工 业
收 稿 日 期 ：2022-09-11
基 金 项 目 ： 工 信 部 工 业 互 联 网 创 新 发 展 工 程 项 目 （TC200A00L-3 ） ； 北 京 市 教 育 委 员 会 科 技/ 社 科 计 划 项 目 （KM202210011013 ）
作 者 简 介 ： 许 继 平 ， 研 究 方 向 为 区 块 链 、 工 业 互 联 网 和 智 能 信 息 处 理 。E-mail ：xujiping@139.com
通 信 作 者 ： 王 昭 洋 ， 博 士 ， 副 教 授 ， 研 究 方 向 为 可 信 定 位 与 工 业 互 联 。E-mail ：wangzhaoyang@btbu.edu.cn
copyright?2023 by the authors80 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 4
互 联 网 标 识 解 析 技 术 在 工 业 隐 私 数 据 的 共 享 应 用 方 应 链 的 效 率 和 可 靠 性 。 在 跨 区 域 、 跨 行 业 的 数 据 协
面 还 存 在 一 些 不 足 。 研 究 显 示 ， 将 联 邦 学 习 、 区 块 同 计 算 方 面 ， 由 于 隐 私 数 据 保 护 问 题 ， 使 该 部 分 数
链 和 分 布 式 计 算 等 方 法 进 行 融 合 ， 可 以 有 效 解 决 隐 据 无 法 上 传 至 数 据 池 进 行 共 享 分 析 ， 从 而 导 致 难 以
［23 ］
实 现 风 险 评 估 和 制 定 优 化 策 略 。
私 数 据 的 协 同 计 算 问 题 。 特 别 是 联 邦 学 习 与 大 数
针 对 粮 食 供 应 链 的 6 个 环 节 ， 根 据 其 特 性 需 收
据 、 云 计 算 和 智 能 边 缘 计 算 等 前 沿 技 术 深 度 融
［11-13 ］
合 能 够 提 供 解 决 隐 私 数 据 流 通 与 协 同 计 算 安 全 集 如 品 质 数 据 、 环 境 数 据 、 加 工 数 据 、 价 格 数 据 和
［14 ］
问 题 的 方 案 。 目 前 ， 联 邦 学 习 在 工 业 工 程 领 域 供 应 链 数 据 等 特 征 数 据 。 以 稻 米 供 应 链 为 例 ， 数 据
应 用 较 广 ， 可 利 用 横 向 、 纵 向 和 迁 移 这 3 种 学 习 方 要 素 如 表 1 所 示 。 其 中 ， 稻 米 种 类 、 生 产 日 期 、 种
［15 ］ ［16 ］
式 ， 解 决 不 同 地 区 间 数 据 协 同 计 算 的 问 题 ， 植 基 地 信 息 等 公 共 信 息 可 公 布 用 于 模 型 训 练 ； 但 农
［17, 18 ］
对 不 易 交 换 的 都 市 环 境 监 测 数 据 进 行 监 测 ， 解 药 、 疾 病 防 治 和 含 杂 量 等 信 息 属 于 食 品 隐 私 数 据 ，
决 检 测 工 厂 不 合 格 外 包 装 、 视 觉 检 测 等 基 础 性 问 各 企 业 一 般 不 愿 主 动 将 其 公 开 ， 导 致 该 部 分 数 据 无
题 ， 还 可 用 于 解 决 反 恶 意 通 信 入 侵 等 无 人 机 通 信 系 法 用 于 业 务 模 型 的 训 练 。 然 而 ， 该 部 分 数 据 对 于 关
键 业 务 的 评 估 和 决 策 非 常 重 要 ， 其 变 化 将 会 影 响 稻
统 安 全 、 电 动 车 用 电 需 求 预 测 等 能 源 预 测 领 域 存 在
［19-22 ］
米 品 质 的 评 估 准 确 率 ， 因 此 不 可 以 舍 弃 ， 需 借 助 联
的 问 题 。
邦 学 习 的 特 性 解 决 隐 私 数 据 的 协 同 计 算 难 题 。
综 上 ， 将 工 业 互 联 网 标 识 解 析 体 系 与 联 邦 学 习
算 法 相 结 合 ， 可 在 多 个 企 业 中 进 行 训 练 ， 从 而 实 现
2 标 识 解 析 体 系 下 的 粮 食 供 应 链 联 邦
不 同 主 体 的 协 同 学 习 ， 且 融 合 后 的 体 系 可 以 充 分 利
学 习 架 构
用 分 布 在 不 同 环 节 中 的 大 量 数 据 资 源 ， 有 助 于 提 升
工 业 互 联 网 系 统 的 安 全 性 和 可 信 度 。 本 文 结 合 联 邦
2.1 整 体 架 构 设 计
学 习 和 标 识 解 析 的 核 心 思 想 ， 以 粮 食 供 应 链 为 研 究
对 象 ， 采 用 标 识 解 析 3 层 架 构 并 设 计 相 关 编 码 ， 构
工 业 互 联 网 标 识 解 析 体 系 采 用 分 层 、 分 级 模 式
建 联 邦 学 习 模 型 ， 基 于 逻 辑 回 归 算 法 协 同 训 练 粮 食
构 建 ， 主 要 包 含 国 际 根 节 点 、 国 家 顶 级 节 点 、 二 级
［24 ］
供 应 链 上 的 多 家 企 业 数 据 ， 打 破 行 业 间 的 数 据 孤
节 点 、 企 业 节 点 和 公 共 递 归 节 点 等 ， 其 中 国 家
岛 ， 实 现 跨 企 业 、 跨 平 台 的 数 据 要 素 ， 特 别 是 隐 私
顶 级 节 点 能 向 全 国 范 围 提 供 标 识 注 册 分 配 、 标 识 解
［25 ］
数 据 要 素 的 协 同 计 算 ， 促 进 工 业 互 联 网 的 发 展 和
析 、 审 核 认 证 及 数 据 托 管 等 服 务 。 二 级 节 点 负
［26 ］
应 用 。 责 承 接 国 家 顶 级 节 点 和 对 接 企 业 节 点 ， 向 对 应
行 业 提 供 标 识 服 务 ， 是 标 识 解 析 体 系 的 核 心 环 节 。
1 粮 食 供 应 链 数 据 共 享 分 析
企 业 节 点 则 是 向 企 业 内 部 提 供 标 识 编 码 分 配 、 标 识
粮 食 供 应 链 是 指 从 种 植 、 收 储 、 加 工 、 仓 储 、 解 析 服 务 和 数 据 管 理 等 服 务 。 联 邦 学 习 通 过 引 入 隐
运 输 到 销 售 的 一 系 列 环 节 ， 各 环 节 涉 及 不 同 的 企
私 保 护 技 术 ， 在 保 证 数 据 流 通 安 全 的 前 提 下 ， 协 作
［27 ］
业 ， 包 括 但 不 限 于 种 植 企 业 、 加 工 工 厂 、 物 流 运 输
各 参 与 方 进 行 机 器 学 习 训 练 。 其 中 ， 工 业 互 联
和 销 售 商 等 。 粮 食 供 应 链 涉 及 多 个 种 类 的 异 构 数 据
网 标 识 解 析 体 系 的 分 层 、 分 级 架 构 刚 好 为 分 散 的 参
信 息 ， 包 括 种 植 、 收 储 、 加 工 、 仓 储 、 运 输 和 销 售
与 方 之 间 提 供 了 良 好 的 基 础 设 施 。
等 类 别 的 信 息 。 这 些 数 据 可 以 帮 助 链 上 企 业 和 监 管 根 据 工 业 互 联 网 标 识 解 析 体 系 架 构 ， 粮 食 行 业
部 门 了 解 整 个 供 应 链 的 运 作 状 况 和 性 能 指 标 ， 并 为 建 设 有 相 应 的 行 业 二 级 节 点 ， 生 产 、 加 工 、 运 输 、
制 定 优 化 策 略 和 提 高 粮 食 安 全 与 质 量 水 平 提 供 有 价 销 售 等 相 关 企 业 节 点 接 入 行 业 二 级 节 点 ， 构 成 的 粮
值 的 参 考 。 然 而 ， 不 同 环 节 的 企 业 通 常 是 独 立 的 ， 食 行 业 标 识 解 析 体 系 ， 并 与 联 邦 学 习 结 合 形 成 协 同
它 们 之 间 的 信 息 共 享 和 协 作 往 往 受 到 一 定 的 限 制 。 学 习 架 构 如 图 1 所 示 。 其 中 ， 粮 食 行 业 工 业 互 联 网
由 于 缺 乏 有 效 的 信 息 沟 通 和 协 作 机 制 ， 可 能 会 存 在 标 识 解 析 二 级 节 点 作 为 联 邦 学 习 的 行 业 第 三 方 ， 负
［28 ］
数 据 不 准 确 、 信 息 不 完 整 等 问 题 ， 从 而 影 响 整 个 供 责 为 每 袋 产 品 打 上 编 码 ， 以 追 溯 到 该 产 品 在 各Vol. 5, No. 4 许 继 平 等 ： 基 于 联 邦 学 习 的 粮 食 供 应 链 隐 私 数 据 要 素 协 同 计 算 研 究 81
表 1 稻 米 数 据 要 素
Table 1 Rice data elements
稻 米 全 供 应
基 本 信 息 环 境 监 测 信 息
链 环 节
种 植 户 基 本 信 息 、 种 植 基 地 信 息 、 灌 溉 用 水 水 质 、 基 地 土 壤 质 量 、 种 子 来 源 、 稻 米 环 境 实 时 温 度 、 昼 夜 温 差 、 环 境 实 时 湿 度 、 环
种 植 种 类 、 种 植 时 间 、 种 植 方 式 、 育 苗 插 秧 时 间 、 灌 溉 排 水 时 间 、 疾 病 防 治 信 息 、 收 获 境 实 时 光 照 强 度 、 土 壤 水 分 含 量 、 环 境 氧 气/
时 间 、 自 然 灾 害 信 息 、 人 为 灾 害 情 况 、 种 植 操 作 、 肥 料 信 息 、 农 药 信 息 二 氧 化 碳 浓 度 、 土 壤 类 型 、 气 候 、 雨 量 、 光 照
收 购 农 药 抽 检 记 录 、 稻 米 产 地 信 息 、 时 间 、 稻 米 种 类 、 地 点 无
干 燥 干 燥 方 式 （ 自 然/ 机 械 ） 、 干 燥 前 含 水 量 、 干 燥 后 含 水 量 环 境 实 时 温 度
除 杂 杂 质 种 类 、 含 杂 量 、 除 杂 率 环 境 实 时 湿 度
收 储
环 境 温 度 、 湿 度 、 氧 气 浓 度 、 二 氧 化 碳 浓 度 、 甲
库 存 编 号 、 仓 库 地 址 、 仓 库 面 积 大 小 、 存 储 环 境 、 产 品 来 源 、 产 品 数 量 、 出 入 库 时
入 仓 醛 、 总 挥 发 性 有 机 化 合 物 （Total Volatile Or ‐
间 、 品 质 证 书 、 质 检 编 号 、 仓 储 人 员 信 息
ganic Compounds ， TVOC ）
垄 谷 垄 谷 方 式 （ 垄 谷 机 品 牌 ） 、 出 糙 率 、 脱 壳 率
碾 米 碾 米 方 式 （ 化 学 法/ 机 械 法 ） 、 整 米 率 、 碎 米 率
色 选 色 选 精 度 、 带 出 比
加 工 环 境 实 时 温 度 、 环 境 实 时 湿 度
抛 光 抛 光 率
商 标 名 称 、 包 装 袋 来 源 、 规 格 、 原 料 、 加 工 人 员 信 息 、 包 装 时 间 、 产 品 包 装 编 号 、 产
包 装
品 批 次 号 、 产 品 质 量 信 息
仓 储 企 业 名 称 、 仓 储 企 业 地 址 、 企 业 法 人 信 息 、 仓 储 管 理 员 信 息 、 许 可 证 信 息 、 管 环 境 温 度 、 湿 度 、 氧 气 浓 度 、 二 氧 化 碳 浓 度 、 甲
仓 储
理 员 联 系 方 式 、 库 存 编 号 、 产 品 来 源 、 产 品 数 量 、 入 库 时 间 、 质 检 编 号 、 出 库 时 间 醛 、 TVOC
物 流 企 业 信 息 、 运 输 负 责 人 信 息 、 许 可 证 信 息 、 运 输 工 具 、 工 具 编 号 （ 车 牌 号 ） 、 出
车 内 环 境 温 度 、 车 内 环 境 湿 度 、 车 内 氧 气/ 二
运 输 发 地 、 出 发 时 间 、 目 的 地 、 途 经 的 城 市 与 目 的 地 、 抵 达 时 间 、 运 输 车 辆 内 部 的 温 度
氧 化 碳 浓 度
及 卫 生 情 况
商 家 信 息 、 商 铺 地 址 、 商 铺 负 责 人 信 息 、 营 业 许 可 证 信 息 、 产 品 名 称 、 产 品 数 量 、
销 售 进 货 时 间 、 产 品 存 储 时 间 、 产 品 存 储 位 置 、 进 货 编 号 、 出 货 时 间 、 基 本 情 况 及 卫 生 销 售 环 境 照 片
健 康 情 况
个 环 节 的 信 息 ， 从 而 实 现 供 应 链 管 理 和 粮 食 安 全 监
管 。 为 了 精 细 化 管 理 各 环 节 的 联 邦 学 习 任 务 ， 二 级
节 点 分 别 设 置 生 产 、 加 工 、 运 输 和 销 售 等 环 节 第 三
方 ， 便 于 对 各 环 节 内 企 业 的 横 向 协 同 学 习 进 行 组
织 。 另 外 ， 在 跨 环 节 的 纵 向 联 邦 学 习 中 ， 企 业 节 点
分 别 设 置 了 工 艺 加 工 厂 、 运 输 企 业 等 多 个 企 业 ， 便
于 组 织 异 构 企 业 间 的 纵 向 协 同 学 习 。
在 具 体 实 现 上 ， 扫 描 上 传 标 识 解 析 编 码 至 第 三
方 ， 由 第 三 方 下 发 模 型 至 企 业 进 行 本 地 训 练 ， 根 据
反 馈 的 信 息 聚 合 参 数 并 更 新 模 型 直 至 损 失 函 数 收 敛
的 联 邦 训 练 过 程 ， 具 体 如 图 2 所 示 。 将 要 执 行 的 任
务 编 码 扫 描 上 传 至 第 三 方 ， 第 三 方 根 据 编 码 中 的 信
图 1 粮 食 行 业 联 邦 学 习 架 构 图
息 判 断 任 务 类 别 ， 选 择 合 适 的 联 邦 训 练 模 型 ， 设 定
Fig. 1 Federal learning architecture map for the grain industry
好 初 始 参 数 后 下 发 模 型 至 所 有 企 业 。 企 业 根 据 模 型
通 过 发 送 数 据 训 练 编 码 的 方 式 分 别 返 还 给 第 三 方 。
要 求 ， 扫 描 符 合 要 求 的 所 有 数 据 编 码 并 上 传 数 据 信
由 第 三 方 通 过 加 权 平 均 等 方 法 聚 合 ， 得 到 新 参 数 ，
息 至 本 地 ， 再 通 过 逻 辑 回 归 算 法 在 本 地 训 练 该 模
型 ， 迭 代 到 指 定 次 数 后 将 中 间 参 数 如 权 重 、 梯 度 等 根 据 预 设 目 标 判 断 该 参 数 是 否 达 到 标 准 ， 若 未 达82 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 4
到 ， 则 更 新 模 型 参 数 ， 重 新 下 发 给 各 个 企 业 ， 继 续 并 进 行 可 视 化 展 示 。
训 练 至 达 到 标 准 ； 若 达 到 标 准 ， 则 发 送 数 据 结 果 ，
图 2 联 邦 学 习 技 术 原 理 图
Fig. 2 Technology schematic of federal learning
2.2 标 识 编 码 及 数 据 模 型 设 计
2.2.1 标 识 编 码 设 计
在 基 于 联 邦 学 习 的 粮 食 行 业 数 据 协 同 计 算 的 过
程 中 含 有 大 量 的 数 据 和 执 行 的 任 务 ， 需 通 过 标 识 编
码 作 为 媒 介 查 找 对 应 的 隐 私 数 据 。 该 编 码 主 要 由 国
家 授 权 机 构 的 唯 一 名 称 组 成 ， 其 中 包 括 国 家 代 码 、
二 级 节 点 代 码 和 企 业 代 码 作 为 标 识 前 缀 ， 形 如 “/ ”
图 3 粮 食 供 应 链 协 同 计 算 标 识 编 码 规 则 设 计
的 分 隔 符 和 由 企 业 自 定 义 但 保 证 唯 一 性 的 标 识 后
［29 ］
Fig. 3 Design of grain supply chain collaborative computing
缀 。 如 果 相 关 命 名 机 构 未 自 行 编 写 相 关 后 缀 编
［30 ］
identification coding rules
码 ， 则 由 国 家 顶 级 节 点 进 行 随 机 分 配 。 具 体 编
码 规 则 设 计 如 图 3 所 示 。
息 类 型 和 参 数 数 据 ， 如 表 2 所 示 ， 表 头 的 a 、b 、c 、
1 ） 任 务 编 码 规 则 设 计 。 任 务 编 码 的 标 识 后 缀
d 与 图 3 中 标 识 后 缀 的 a 、b 、c 、d 对 应 。
共 设 计 4 个 层 次 ， 分 别 是 模 型 类 型 、 模 型 编 号 、 信
表 2 粮 食 供 应 链 协 同 计 算 的 任 务 编 码 设 计
Table 2 Task coding design for collaborative food supply chain computing
a b c d
01 （ 模 型 信 息 编 码 ） 模 型 编 号 信 息 类 型 （ 主 从-01 、 联 邦 类 型-02 参 数 个 数-0 、 收 敛 条 件-04 、 最 大 迭 代 次 数-05 、 初 始 学 习 率-06 ）
02 （ 模 型 训 练 编 码 ） 模 型 编 号 信 息 类 型 （ 输 入 信 息-01 、 输 出 信 息-02 ） 信 息 参 数 数 据
03 （ 模 型 结 果 编 码 ） 模 型 编 号 信 息 类 型 （ 当 前 步 长-01 、 收 敛 情 况 息-02 ）
注 ：d 列 无 内 容 的 表 示 该 部 分 没 有 信 息 参 数 。
2 ） 数 据 编 码 规 则 设 计 。 数 据 编 码 中 的 标 识 后 示 ， 表 头 的 a 、b 、c 与 图 3 中 标 识 后 缀 的 a 、b 、c
缀 采 用 3 层 设 计 ， 分 别 是 环 节 类 型 、 数 据 编 号 和 评 对 应 。
价 类 型 。 其 中 数 据 从 0001 开 始 依 次 递 增 ， 如 表 3 所Vol. 5, No. 4 许 继 平 等 ： 基 于 联 邦 学 习 的 粮 食 供 应 链 隐 私 数 据 要 素 协 同 计 算 研 究 83
表 3 粮 食 供 应 链 协 同 计 算 的 数 据 编 码 设 计
Table 3 Data coding design for collaborative food supply chain computing
a b c
04 （ 种 植 环 节 ） 数 据 编 号 评 价 类 型 （ 稻 谷 品 种-01 、 光 照 条 件-02 、 平 均 温 度-03 、 土 壤 类 型-04 、 灌 溉 水 源-05 ）
05 （ 加 工 环 节 ） 数 据 编 号 评 价 类 型 （ 加 工 工 艺 等 级-01 、 环 境 温 度-02 、 环 境 湿 度-03 、 水 分 含 量-04 ）
06 （ 运 输 环 节 ） 数 据 编 号 评 价 类 型 （ 运 输 温 度-01 、 环 境 相 对 温 度-02 、 储 藏 形 式-03 、 运 输 质 量-04 ）
07 （ 销 售 环 节 ） 数 据 编 号 评 价 类 型 （ 环 境 温 度-01 、 环 境 湿 度 、 售 卖 时 长 ）
2.2.2 数 据 模 型 设 计 的 数 据 模 型 。 “ 数 据 内 容 ” 指 该 参 数 的 值 。 其 余 功
数 据 模 型 主 要 是 用 来 描 述 和 存 储 标 识 数 据 ， 上
能 与 参 数 模 型 中 功 能 一 致 。
述 每 个 任 务 、 数 据 编 码 都 有 其 对 应 的 数 据 模 型 。 针
3 基 于 联 邦 学 习 的 粮 食 供 应 链 隐 私 数
对 粮 食 供 应 链 中 标 识 编 码 规 则 和 数 据 特 性 ， 设 计 了
据 流 转
参 数 模 型 、 信 息 模 型 和 评 价 模 型 3 类 模 型 ， 具 体 如
图 4 所 示 。
联 邦 学 习 可 在 不 公 开 各 参 与 方 私 有 数 据 的 情 况
下 ， 协 同 训 练 所 有 参 与 方 。 其 中 ， 参 与 者 在 本 地 执
行 算 法 ， 通 过 将 更 新 的 模 型 参 数 发 送 给 中 央 服 务 器
进 行 聚 合 ， 以 更 新 共 享 模 型 ， 实 现 不 同 主 体 的 协 同
计 算 。
3.1 同 类 主 体 间 横 向 联 邦 学 习
横 向 联 邦 学 习 是 一 种 适 用 于 处 理 具 有 高 度 特 征
重 叠 但 样 本 ID 重 叠 较 少 的 数 据 集 的 方 法 。 通 过 对
（ a ） 参 数 模 型 （ b ） 信 息 模 型 （ c ） 评 价 模 型
各 数 据 集 的 样 本 联 合 ， 扩 大 训 练 样 本 空 间 ， 综 合 多
图 4 粮 食 供 应 链 协 同 计 算 的 数 据 模 型 设 计
维 数 据 特 性 的 业 务 模 型 参 数 进 行 协 同 计 算 ， 进 而 提
Fig. 4 Data modeling for collaborative computing in the food
升 模 型 的 准 确 度 。
supply chain
3.1.1 横 向 联 邦 学 习 架 构 设 计
所 设 计 的 参 数 模 型 如 图 4 （a ） 所 示 ， 其 中 “ 模
横 向 联 邦 学 习 在 粮 食 行 业 可 用 于 生 产 、 加 工 、
型 类 别 ” “ 参 数 类 别 ” 和 “ 参 数 ID ” 可 确 定 其 对 应
运 输 和 销 售 等 环 节 下 的 多 个 企 业 ， 如 图 5 所 示 。 粮
的 参 数 数 据 模 型 。 “ 参 数 内 容 ” 是 该 参 数 的 具 体 值 ；
食 加 工 企 业 A 和 粮 食 加 工 企 业 B 的 数 据 均 为 品 质 质
“ 上 传 日 期 ” 和 “ 上 传 时 间 ” 记 录 标 识 数 据 最 近 一
量 、 加 工 工 艺 等 级 、 环 境 温 度 、 环 境 湿 度 和 水 分 含
次 的 更 新 时 间 ， 便 于 系 统 对 信 息 进 行 维 护 或 分 析 。
量 等 特 征 数 据 ， 但 这 些 数 据 是 不 同 批 次 的 产 品 所 产
通 过 “ 上 传 IP 地 址 ” 可 知 该 数 据 的 上 传 源 头 ； “ 是
生 的 ， 符 合 横 向 联 邦 学 习 相 同 样 本 特 征 ， 不 同 样 本
否 上 传 成 功 ” 表 示 该 信 息 是 否 已 成 功 更 新 到 系 统 或
ID 的 特 征 。
服 务 器 。
3.1.2 横 向 逻 辑 回 归 算 法
所 设 计 的 信 息 模 型 如 图 4 （b ） 所 示 。 其 中 “ 模
逻 辑 回 归 是 机 器 学 习 领 域 中 的 常 用 算 法 之 一 。
型 类 别 ” 和 “ 信 息 模 型 ” 可 帮 助 系 统 快 速 确 定 所 需
对 于 传 统 的 二 分 类 或 多 分 类 问 题 ， 逻 辑 回 归 往 往 能
的 信 息 模 型 ， 并 进 一 步 获 取 相 关 描 述 信 息 ； “ 信 息
给 出 可 解 释 性 强 的 结 果 ， 具 有 模 型 简 单 、 训 练 速 度
内 容 ” 指 该 信 息 所 包 含 的 具 体 内 容 。 其 余 与 上 一 模
快 、 内 存 资 源 占 用 较 小 的 优 势 。 相 比 决 策 树 与 神 经
型 功 能 一 致 。
网 络 等 方 法 ， 逻 辑 回 归 具 有 小 数 据 样 本 下 的 缺 失 数
［31, 32 ］
所 设 计 的 评 价 模 型 如 图 4 （c ） 所 示 。 通 过 “ 环 据 处 理 、 快 速 精 确 拟 合 优 势 ， 因 此 本 研 究 采 用
节 类 别 ” “ 评 价 类 型 ” 和 “ 数 据 ID ” 可 确 定 其 对 应 横 向 联 邦 学 习 逻 辑 回 归 算 法 进 行 联 邦 学 习 。 该 算 法84 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 4
不同地区
粮食加工企业A 粮食加工企业B
横向
ID Y X X X X
ID Y X X X X 1 2 3 4
1 2 3 4
稻谷 品质 加工工 环境 环境 水分
稻谷 品质 加工工 环境 环境 水分
编号 质量 艺等级 温度 湿度 含量
编号 质量 艺等级 温度 湿度 含量
图 5 粮 食 加 工 企 业 横 向 联 邦 学 习 架 构
Fig. 5 Horizontal federal learning framework for grain and oil processing enterprises
需 要 确 定 参 与 方 的 损 失 函 数 和 梯 度 ， 如 公 式 （1 ） 第 i 个 样 本 数 据 ；x 是 第 i 个 样 本 数 据 的 第 j 个 特 征
ij
和 公 式 （2 ） 所 示 。 数 据 。 在 横 向 联 邦 学 习 中 按 参 与 方 数 据 集 数 量 做 横
n
T
1 向 加 权 聚 合 ， 各 参 与 方 都 有 特 征 值 和 标 签 值 ， 在 求
-y w x
i i
J ( w ) = ln (1 + e ) （1 ）
∑
n
i = 1
梯 度 时 各 参 与 方 只 需 计 算 本 地 的 信 息 后 将 参 数 进 行
n
?( J ( w ) ) 1 1
安 全 聚 合 ， 使 用 聚 合 后 的 结 果 计 算 损 失 函 数 和 下 一
= ( - 1) y x （2 ）
∑ T i ij
-y w x
i i
?( w ) n
j 1 + e
i = 1
次 迭 代 的 梯 度 。 以 企 业 A 和 企 业 B 为 例 ， 两 方 参 与
式 中 ：w 是 逻 辑 回 归 模 型 的 系 数 ， 需 要 通 过 模
的 横 向 逻 辑 回 归 的 算 法 流 程 如 图 6 所 示 。
型 迭 代 确 定 的 参 数 ；y 是 样 本 数 据 的 标 签 值 ；x 是
i i
图 6 横 向 联 邦 学 习 逻 辑 回 归 算 法 流 程 图
Fig. 6 Flow chart of horizontal federation learning logistic regression algorithm
以 下 是 横 向 逻 辑 回 归 方 法 的 训 练 步 骤 ： 6 ） 各 参 与 方 接 收 总 梯 度 参 数 w ， 计 算 本 地 损
1 ） 首 先 由 第 三 方 初 始 化 参 数 w 和 参 数 w ， 并
失 函 数 loss 和 loss 。
A B
A B
将 其 分 别 发 送 给 参 与 方 A 和 参 与 方 B 。
7 ） 通 过 加 法 安 全 聚 合 技 术 ， 即 mask_loss =
A
2 ） 参 与 方 接 收 到 初 始 化 参 数 ， 在 本 地 训 练 数
n × loss + R - R 和 mask_loss = n × loss -
A A 21 31 B B B
据 ， 得 到 梯 度 grad 和 grad ， 并 根 据 梯 度 更 新 参 数
A B
R + R 得 到 参 数 mask_loss 和 mask_loss ， 并 将
21 31 A B
w 和 参 数 w 。
A B
该 参 数 发 送 给 第 三 方 。
3 ） 通 过 加 法 安 全 聚 合 技 术 ， 即 通 过 mask_w =
A
8 ） 根 据 接 收 到 的 参 数 ， 通 过 loss =
N × w + R - R 和 mask_w = n × w - R +
A A 11 12 B B B 11
mask_loss + mask_loss
A B
R 得 到 mask_w 参 数 ， 并 将 该 参 数 发 送 给 第 三 方 。
计 算 得 到 loss 损 失 函 数 ，
12
n + n
A B
4 ） 第 三 方 接 收 到 所 有 参 数 后 ， 通 过 w =
并 将 收 敛 状 态 发 送 给 各 参 与 方 。
mask_w + mask_w
A B
计 算 总 梯 度 参 数 w 。
9 ） 各 参 与 方 查 看 状 态 ， 若 显 示 未 收 敛 且 未 达
n + n
A B
5 ） 将 总 梯 度 参 数 w 返 还 给 各 参 与 方 。 到 最 大 迭 代 次 数 ， 则 继 续 训 练 ， 重 复 上 述 步 骤 。Vol. 5, No. 4 许 继 平 等 ： 基 于 联 邦 学 习 的 粮 食 供 应 链 隐 私 数 据 要 素 协 同 计 算 研 究 85
3.1.3 粮 食 安 全 风 险 评 估 横 向 联 邦 学 习 实 现 表 名 及 类 型 ；homo_lr_0 模 块 的 步 长 、 学 习 率 、 最
以 粮 食 供 应 链 安 全 风 险 评 估 作 为 业 务 场 景 ， 基
大 迭 代 次 数 等 。 本 实 验 设 定 初 始 参 数 如 表 4 所 示 。
于 湖 南 省 大 米 供 应 链 合 作 企 业 2020 —2023 年 供 应
表 4 横 向 联 邦 学 习 的 参 数 设 置
Table 4 Parameterization of horizontal federal learning
链 数 据 ， 开 展 横 向 联 邦 学 习 的 协 同 计 算 验 证 。 选 取
合 作 企 业 中 的 粮 食 加 工 厂 A 和 粮 食 加 工 厂 B ， 通 过
参 数 名 称 数 值
自 动 扫 描 标 识 编 码 获 取 不 同 批 次 产 品 的 数 据 ， 累 计 正 则 化 方 式 （penalty ） L2
停 止 求 解 的 标 准 （tol ） 0.000 01
共 收 集 加 工 厂 A 数 据 90 组 、 加 工 厂 B 数 据 90 组 和
正 则 化 强 度 （alpha ） 0.01
测 试 集 数 据 60 组 。 在 联 邦 学 习 过 程 中 ， 拥 有 联 邦
单 次 训 练 的 样 本 数 1
学 习 目 标 （label ） 信 息 的 guest （ 主 ） 方 和 不 包 含
学 习 率 （learning_rate ） 0.15
label 信 息 的 host （ 客 ） 方 ， 先 在 本 地 对 原 始 数 据 进
最 大 迭 代 次 数 （max_iter ） 500
行 清 洗 、 转 换 和 规 范 化 的 预 处 理 操 作 ，FATE （Fed ‐
erated AI Technology Enabler ） 平 台 根 据 前 期 配 置 好
2 ） 横 向 联 邦 学 习 测 试 验 证
的 dsl 和 conf 文 件 ， 进 行 横 向 逻 辑 回 归 建 模 ， 并 进 横 向 联 邦 学 习 主 要 是 通 过 流 转 数 据 参 数 协 同 计
算 训 练 模 型 ， 达 到 扩 大 样 本 空 间 ， 提 升 模 型 准 确 率
行 训 练 和 评 估 测 试 ，FATE 提 供 可 视 化 结 果 展 示 。
1 ） 文 件 配 置 的 效 果 。 若 不 使 用 联 邦 学 习 进 行 协 同 计 算 ， 只 采 用
① dsl 流 程 配 置 文 件 。 选 用 homo_lr_train_dsl.
加 工 厂 A 自 身 数 据 进 行 训 练 ， 模 型 训 练 结 果 如 表 5
json 文 件 进 行 流 程 配 置 。 该 文 件 包 含 reader_0 （ 读
所 示 。 共 训 练 加 工 厂 A 自 身 数 据 90 组 ， 其 中 15 组
取 训 练 数 据 ） 、data_transform_0 （ 转 换 数 据 类 型 ） 、
数 据 分 类 错 误 ；75 组 数 据 分 类 正 确 。 若 联 合 加 工 厂
scale_0 （ 特 征 对 齐 操 作 ） 、homo_lr_0 （ 横 向 逻 辑 回
A 和 加 工 厂 B 协 同 训 练 ， 模 型 在 迭 代 349 次 后 收 敛 ，
归 模 型 训 练 ） 和 evaluation_0 （ 模 型 评 估 ） 这 5 个 模
损 失 函 数 约 为 0.272 990 ， 模 型 训 练 结 果 如 表 5 所
块 。 每 个 模 块 都 有 输 入 和 输 出 的 数 据 和 模 型 定 义 ，
示 。auc 值 达 到 0.925 926 ， 准 确 率 较 高 ，Ks 值 达 到
定 义 的 格 式 一 致 ， 下 游 模 块 会 以 上 游 模 块 的 输 出 作
0.833 333 ， 模 型 的 区 分 能 力 较 好 。F -Score 值 达 到
1
为 其 输 入 。
0.958 333 ， 无 限 接 近 于 1 ， 模 型 整 体 较 好 。 根 据 混
② conf 流 程 配 置 文 件 。 选 用 homo_lr_train_
淆 矩 阵 显 示 ， 共 计 训 练 90 组 数 据 ， 其 中 84 组 数 据
conf.json 文 件 进 行 参 数 配 置 。 该 文 件 定 义 了 参 与 训
分 类 正 确 。 准 确 率 明 显 高 于 单 个 加 工 厂 训 练 的
练 的 所 有 角 色 并 通 过 读 取 模 型 训 练 编 码 设 置 各 个 模
模 型 。
块 的 初 始 参 数 。 例 如 ，data_transform_0 模 块 的 数 据
表 5 横 向 联 邦 学 习 企 业 模 型 训 练 结 果
Table 5 Horizontal federated learning enterprise model training results
参 与 方 Dataset auc Ks Precision Recall F -Score True lable/predict lable 0 1
1
0 11 13
加 工 厂 A Train 0.783 46 0.515 152 0.911 111 0.601 212 0.895 105
1 2 64
0 15 3
加 工 厂 A 和 加 工 厂 B Train 0.925 926 0.833 333 0.977 778 0.611 111 0.958 333
1 3 69
同 理 ， 若 仅 用 加 工 厂 A 的 训 练 结 果 输 入 60 组 0.916 149 ， 较 接 近 1 ， 评 估 能 力 较 好 ，Ks 值 达 到
测 试 数 据 用 于 评 估 ， 其 训 练 样 本 较 少 ， 模 型 缺 少 普 0.770 186 ， 具 有 较 好 的 分 类 效 果 。F -Score 值 达 到
1
适 性 。 风 险 评 估 验 证 结 果 如 表 6 所 示 。 其 中 52 组 数 0.957 447 ， 模 型 整 体 评 估 能 力 较 好 。 通 过 混 淆 矩 阵
据 验 证 正 确 ；8 组 验 证 错 误 。 若 运 用 加 工 厂 A 和 加 可 看 到 ， 共 60 组 数 据 ， 其 中 56 组 验 证 正 确 ；4 组 验
工 厂 B 协 同 训 练 好 的 模 型 ， 评 估 同 组 测 试 数 据 ， 证 错 误 ； 准 确 率 约 提 升 了 6.7 ％ 。 由 此 可 得 基 于 联
其 风 险 评 估 验 证 结 果 如 表 6 所 示 ， auc 值 达 到 邦 学 习 的 模 型 准 确 率 较 高 ， 评 估 能 力 优 于 单 个 主 体86 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 4
训 练 出 的 模 型 。 若 使 用 神 经 网 络 算 法 进 行 评 估 ， 由 评 估 效 果 略 差 于 逻 辑 回 归 算 法 。
于 使 用 小 数 据 样 本 ， 出 现 了 过 拟 合 的 情 况 ， 导 致
表 6 横 向 联 邦 学 习 企 业 风 险 评 估 验 证 结 果
Table 6 Horizontal federal learning Enterprise risk assessment validation results
参 与 方 算 法 Dataset auc Ks Precision recall F -Score True lable/predict lable 0 1
1
0 9 5
加 工 厂 A 逻 辑 回 归 Predict 0.860 248 0.763 915 0.931 034 0.586 957 0.926 316
1 3 43
0 12 3
加 工 厂 A& 加 工 厂 B 逻 辑 回 归 Predict 0.916 149 0.770 186 0.931 034 0.586 957 0.957 447
1 1 44
0 11 3
加 工 厂 A& 加 工 厂 B 神 经 网 络 Predict 0.896 458 0.768 883 0.934 702 0.624 893 0.936 452
1 2 44
特 征 的 思 想 ， 具 体 如 图 7 所 示 ， 可 将 粮 食 种 植 企 业
3.2 异 构 主 体 间 纵 向 联 邦 学 习
的 数 据 设 为 ｛X 种 ｝ ， 粮 食 加 工 企 业 数 据 设 为 ｛X
异 构 主 体 的 联 邦 学 习 具 有 数 据 集 间 样 本 特 征 重
加 ｝ ， 将 粮 食 运 输 企 业 数 据 设 为 ｛X 物 ｝ ， 对 这 些 数
叠 较 少 ， 样 本 ID 重 叠 较 多 的 特 点 ， 大 多 用 于 处 理
据 进 行 对 齐 的 处 理 ， 只 留 下 拥 有 相 同 稻 谷 编 号 的 数
经 营 不 同 业 务 但 批 次 相 同 的 产 品 。
据 。 其 中 设 定 粮 食 运 输 企 业 为 guest 方 ， 带 品 质 标
3.2.1 纵 向 联 邦 学 习 架 构 设 计
签 ， 粮 食 种 植 企 业 和 粮 食 物 流 企 业 为 host 方 。 由 于
纵 向 联 邦 学 习 可 将 稻 谷 企 业 中 的 加 工 制 造 业 和
host 方 分 别 具 有 自 己 的 数 据 集 ， 但 缺 乏 完 整 的 品 质
种 植 、 运 输 产 业 联 系 起 来 ， 形 成 整 体 ， 由 于 同 一 批
标 签 信 息 。 因 此 ， 需 要 通 过 同 态 加 密 的 方 法 流 转 加
稻 谷 ， 它 在 加 工 、 种 植 和 运 输 企 业 所 包 含 的 数 据 参
密 后 的 隐 私 数 据 ， 使 host 方 拥 有 完 整 的 信 息 从 而 共
数 各 不 相 同 ， 故 符 合 纵 向 联 邦 学 习 同 一 样 本 ， 不 同 同 完 成 模 型 的 训 练 。
图 7 粮 油 加 工 企 业 纵 向 联 邦 学 习 架 构
Fig. 7 Vertical federal learning framework for grain and oil processing enterprises
3.2.2 纵 向 逻 辑 回 归 算 法 所 示 。
纵 向 联 邦 学 习 同 样 可 采 用 逻 辑 回 归 的 方 法 实
u + v = u + v （3 ）
现 。 纵 向 LR 算 法 是 在 企 业 间 两 两 进 行 ， 不 含 标 签 n u = nu （4 ）
式 中 ：u 、v 为 变 量 ； 为 加 密 状 态 。
的 host 方 分 别 和 含 有 标 签 y 的 guest 方 进 行 交 互 。 基
于 隐 私 数 据 无 法 传 输 的 问 题 ， 可 采 用 Paillier 半 同 态
由 于 加 密 后 的 数 据 不 支 持 指 数 运 算 ， 故 需 要 对
加 密 对 隐 私 数 据 进 行 加 密 处 理 ， 实 现 隐 私 数 据 间 的
损 失 函 数 和 梯 度 函 数 进 行 近 似 的 处 理 ， 处 理 结 果 分
流 转 。 FATE 加 密 方 式 如 公 式 （3 ） 和 公 式 （4 ） 别 如 公 式 （5 ） 和 公 式 （6 ） 所 示 。?
Vol. 5, No. 4 许 继 平 等 ： 基 于 联 邦 学 习 的 粮 食 供 应 链 隐 私 数 据 要 素 协 同 计 算 研 究 87
∧
T 1
-y ω x T
数 据 ；l 表 示 损 失 函 数 、 β 是 梯 度 因 子 ；? l 为 梯 度 。
l ω ， x ， y = log (1 + e ) ≈ log 2 - y ω x +
ω
( )
2
以 食 品 加 工 企 业 A 和 食 品 运 输 企 业 B 为 例 ， 假
1
T 2
( ω x ) （5 ）
8
设 企 业 A 含 有 特 征 X 、X 和 X ； 企 业 B 含 有 X 、X
1 2 3 4 5
∧
-y 1 1
T
和 标 签 Y 。 由 于 企 业 B 缺 少 部 分 特 征 ， 需 要 向 企 业
? l ( ω ， x ， y ) = x ≈ y ω x - 1 yx = β x
ω T
y ω x
( )
2 2
1 + e
A 发 送 请 求 ， 得 到 其 余 特 征 ， 再 进 行 训 练 。 该 方 法
（6 ）
的 训 练 过 程 如 图 8 所 示 。
式 中 ：w 是 系 数 ；y 是 样 本 数 据 标 签 ；x 是 样 本
图 8 纵 向 联 邦 学 习 逻 辑 回 归 算 法 流 程 图
Fig. 8 Flow chart of vertical federation learning logistic regression algorithm
以 下 是 纵 向 联 邦 学 习 逻 辑 回 归 方 法 的 训 练 A ， 将 B 的 梯 度 返 还 给 企 业 B 。
步 骤 ： 6 ） 企 业 A 和 企 业 B 根 据 得 到 的 返 回 梯 度 参 数 ，
1 ） 企 业 B 向 企 业 A 发 送 请 求 ， 请 求 得 到 企 业
更 新 本 地 的 模 型 。
A 加 密 后 的 特 征 。
7 ） 重 复 以 上 步 骤 ， 直 至 第 三 方 判 断 loss 函 数
2 ） 企 业 A 将 加 密 好 的 特 征 X 、 X 、 X
1 2 3
是 否 收 敛 。 若 收 敛 ， 则 向 企 业 A 、B 两 端 发 送 停 止
发 送 给 企 业 B 。
训 练 的 信 号 。 （ loss 由 企 业 B 端 算 出 ， 发 送 至 第 三
3 ） 企 业 B 将 自 己 的 特 征 X 、 X 加 密 后 ，
4 5
方 解 密 ， 得 到 loss ） 。
根 据 上 文 提 到 的 半 同 态 加 密 的 性 质 ， 通 过 X +
1
3.2.3 粮 食 安 全 风 险 评 估 纵 向 联 邦 学 习 实 现
X + X + X + X = X + X + X + X + X
2 3 4 5 1 2 3 4 5 纵 向 联 邦 学 习 主 要 应 用 于 整 条 链 的 协 同 训 练
中 ， 通 过 结 合 不 同 环 节 的 数 据 ， 形 成 评 估 整 个 链 条
计 算 出 β 并 将 该 参 数 发 送 给 企 业 A ， 再 结 合 自 己
的 模 型 。 该 模 型 以 粮 食 安 全 风 险 评 估 作 为 业 务 场
的 特 征 X 、X 计 算 出 B 端 的 梯 度 ? l 并 将 该 参 数
4 5 ω B
景 ， 基 于 湖 南 省 某 大 米 供 应 链 合 作 企 业 2020 —2023
发 送 给 第 三 方 。
年 供 应 链 数 据 ， 开 展 纵 向 联 邦 学 习 的 协 同 计 算 验
4 ） 企 业 A 根 据 收 到 的 参 数 ， 结 合 自 己 的 特 征
证 。 选 取 合 作 企 业 中 的 粮 食 种 植 企 业 、 粮 食 加 工 企
X 、X 和 X ， 计 算 出 A 端 的 梯 度 ? l 并 将 该 参 数
1 2 3 ω A
业 和 粮 食 运 输 企 业 ， 通 过 自 动 扫 描 编 码 获 取 同 一 批
发 送 给 第 三 方 A 。
次 产 品 的 数 据 ， 累 计 收 集 数 据 共 计 450 组 ， 包 含 种
5 ） 第 三 方 根 据 收 到 的 A 端 和 B 端 的 参 数 ， 按
植 业 、 加 工 业 和 运 输 业 各 150 组 数 据 。 其 中 每 个 参
行 将 其 拼 接 在 一 起 ， 对 其 进 行 解 密 操 作 得 到 完 整 的
梯 度 参 数 ， 然 后 按 照 比 例 将 A 的 梯 度 返 还 给 企 业 与 方 拿 出 90 组 数 据 作 为 训 练 集 ， 剩 余 60 组 数 据 作88 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 4
表 7 纵 向 联 邦 学 习 参 数 设 置
为 测 试 集 用 于 评 估 。 根 据 模 型 信 息 编 码 要 求 ， 先 在
Table 7 Parameter setting of vertical federation learning
本 地 对 原 始 数 据 进 行 清 洗 、 转 换 和 规 范 化 的 预 处 理
正 则 化 方 式 （penalty ） L2
操 作 。FATE 平 台 根 据 前 期 配 置 好 的 dsl 和 conf 文
停 止 求 解 的 标 准 （tol ） 0.000 1
件 ， 进 行 纵 向 逻 辑 回 归 建 模 ， 并 进 行 训 练 和 评 估 测
正 则 化 强 度 （alpha ） 0.01
试 ，FATE 提 供 可 视 化 结 果 展 示 。
1 ） 文 件 配 置 单 次 训 练 的 样 本 数 320
① dsl 流 程 配 置 文 件
学 习 率 （learning_rate ） 0.15
应 用 hetero_lr_normal_dsl.json 文 件 。 该 文 件 与
最 大 迭 代 次 数 （max_iter ） 1 000
横 向 联 邦 学 习 所 用 文 件 相 似 ， 但 需 注 意 将 scale_0
2 ） 纵 向 联 邦 学 习 实 现 结 果
（ 特 征 对 齐 操 作 ） 模 块 替 换 为 data_transform_0 （ 转
设 定 不 同 参 数 值 ， 可 得 到 不 同 的 结 果 ， 具 体
换 数 据 类 型 ） 模 块 ； 将 homo_lr_0 （ 横 向 逻 辑 回 归
如 表 8 所 示 。 在 迭 代 500 次 后 可 观 测 到 auc 值 为
模 型 训 练 ） 模 块 替 换 为 hetero_lr_0 （ 纵 向 逻 辑 回 归
0.953 914 ， 模 型 具 有 评 估 价 值 ， Ks 值 可 达 到
模 型 训 练 ） 模 块 。
0.837 121 ， 有 分 类 价 值 ，F -Score 值 为 0.941 176 。
1
② conf 参 数 配 置 文 件
根 据 混 淆 矩 阵 显 示 ， 共 90 组 数 据 用 于 训 练 ， 共 训
应 用 hetero_lr_nomal_conf.json 文 件 。 在 该 文 件
练 正 确 82 组 ； 错 误 8 组 。 将 迭 代 次 数 更 改 为 1 000
中 定 义 参 与 模 型 训 练 的 所 有 角 色 ， 通 过 识 别 模 型 训
次 后 ， 如 表 8 所 示 。 观 察 训 练 结 果 可 发 现 auc 值 、
练 编 码 设 置 各 个 模 块 的 参 数 。 例 如 ， data_trans ‐
Ks 值 和 F -Score 均 有 提 升 ， 模 型 的 训 练 效 果 极 佳 。
1
form_0 模 块 的 数 据 表 名 及 类 型 ，hetero_lr_0 模 块 的
混 淆 矩 阵 的 准 确 率 上 升 ， 由 原 先 训 练 错 误 8 组 减 少
步 长 、 学 习 率 、 最 大 迭 代 次 数 等 参 数 。 本 次 实 验 设
为 3 组 。 故 通 过 调 整 参 数 的 设 定 ， 可 有 效 提 升 模 型
定 初 始 参 数 如 表 7 所 示 。 的 准 确 度 和 评 估 效 果 。
表 8 不 同 迭 代 条 件 下 模 型 训 练 结 果
Table 8 Model training results under different iteration conditions
max_iter Dataset auc Ks Precision Recall F -Score True lable/predict lable 0 1
1
0 18 6
500 次 Train 0.953 914 0.837 121 0.977 778 0.666 667 0.941 176
1 2 64
0 22 2
1 000 次 Train 0.961 49 0.928 030 0.977 778 0.666 667 0.977 444
1 1 65
纵 向 联 邦 学 习 风 险 评 验 证 结 果 如 表 9 所 示 。auc 评 估 能 力 较 好 。 通 过 混 淆 矩 阵 可 看 到 ， 共 60 组 数
值 达 到 0.942 434 ，Ks 值 达 到 0.900 159 ， 具 有 极 佳 据 ， 其 中 57 组 验 证 正 确 ；3 组 验 证 错 误 。 准 确 率 提
的 分 类 效 果 。F -Score 值 达 到 0.959 091 ， 模 型 整 体 升 了 8.3 ％ ， 具 有 良 好 的 评 估 效 果 。
1
表 9 纵 向 联 邦 学 习 风 险 评 估 验 证 结 果
Table 9 Model training results under different iteration conditions
Model Dataset auc Ks Precision Recall F -Score True lable/predict lable 0 1
1
0 10 2
Hetero Predict 0.942 434 0.900 159 0.966 667 0.659 048 0.959 091
1 1 47
型 ， 基 于 逻 辑 回 归 算 法 实 现 模 型 参 数 梯 度 的 下 降 优
4 结 论
化 ， 构 建 了 适 用 于 单 环 节 双 企 业 间 的 同 构 主 体 模 型
本 研 究 提 出 了 基 于 工 业 互 联 网 标 识 解 析 技 术 和
以 及 三 环 节 联 合 的 异 构 主 体 模 型 ， 结 果 表 明 ， 相 较
联 邦 学 习 的 粮 食 供 应 链 数 据 要 素 流 转 与 协 同 计 算 架
于 传 统 的 单 一 主 体 评 估 计 算 ， 横 向 联 邦 学 习 的 准 确
构 ， 设 计 了 适 应 模 型 需 求 的 标 识 解 析 编 码 和 数 据 模 率 提 升 了 约 6.7% ， 纵 向 联 邦 学 习 的 准 确 率 提 升 了 约Vol. 5, No. 4 许 继 平 等 ： 基 于 联 邦 学 习 的 粮 食 供 应 链 隐 私 数 据 要 素 协 同 计 算 研 究 89
48-59.
8.3% ， 解 决 了 粮 食 供 应 链 风 险 综 合 评 估 场 景 中 的 隐
XU J P, HAN J Q, ZHANG X, et al. Quality and safety
私 数 据 要 素 协 同 计 算 问 题 在 后 续 的 研 究 中 ， 可 以 进
traceability of grains and oils based on trusted blockchain
一 步 完 善 标 识 解 析 编 码 和 数 据 模 型 ， 以 适 应 更 多 不
and trusted identity[J]. Food science, 2023, 44(3): 48-59.
[10] 邓 昌 义, 张 健 . 基 于 标 识 解 析 的 服 装 行 业 个 性 化 定 制 平
同 类 型 的 供 应 链 。 通 过 增 加 标 识 解 析 编 码 ， 可 覆 盖
台 设 计[J]. 中 国 科 技 信 息, 2020(2): 89-92.
更 多 风 险 指 标 ， 提 高 模 型 的 泛 化 能 力 ； 还 可 以 加 强
DENG C Y, ZHANG J. Design of personalized customiza ‐
多 个 环 节 与 企 业 之 间 的 联 合 学 习 ， 进 一 步 扩 展 训 练 tion platform for clothing industry based on logo analy ‐
sis[J]. China science and technology information, 2020
对 象 ， 更 好 地 解 决 供 应 链 中 的 数 据 要 素 协 同 计 算 问
(2): 89-92.
题 ， 提 高 整 个 供 应 链 的 效 率 和 安 全 。
[11] 朱 建 明, 张 沁 楠, 高 胜, 等 . 基 于 区 块 链 的 隐 私 保 护 可 信
联 邦 学 习 模 型[J]. 计 算 机 学 报, 2021, 44(12): 2464-2484.
利 益 冲 突 声 明 ： 本 研 究 不 存 在 研 究 者 以 及 与 公 开
ZHU J M, ZHANG Q N, GAO S, et al. Privacy preserv ‐
ing and trustworthy federated learning model based on
研 究 成 果 有 关 的 利 益 冲 突 。
blockchain[J]. Chinese journal of computers, 2021, 44
(12): 2464-2484.
参 参 考 考 文 文 献 献 ： [12] 王 健 宗, 孔 令 炜, 黄 章 成, 等 . 联 邦 学 习 隐 私 保 护 研 究 进
展[J]. 大 数 据, 2021, 7(3): 130-149.
[ 1 ] 王 宣 珂, 高 海 伟 . 新 时 代 中 国 式 现 代 粮 食 供 应 链 构 建[J].
WANG J Z, KONG L W, HUANG Z C, et al. Research ad ‐
中 国 流 通 经 济, 2023, 37(7): 40-47.
vances on privacy protection of federated learning[J]. Big
WANG X K, GAO H W. Construction of Chinese-style
data research, 2021, 7(3): 130-149.
modern food supply chain in the new era[J]. China busi ‐
[13] 刘 东, 裴 锡 凯, 赖 金 山, 等 . 融 合 边 缘 智 能 计 算 和 联 邦 学
ness and market, 2023, 37(7): 40-47.
习 的 隐 私 保 护 方 案[J]. 电 子 科 技 大 学 学 报, 2023, 52(1):
[ 2 ] FANG W, WEN X Z, ZHENG Y, et al. A survey of big da ‐
95-101.
ta security and privacy preserving[J]. IETE technical re ‐
LIU D, PEI X K, LAI J S, et al. Privacy protection
view, 2017, 34(5): 544-560.
scheme combining edge intelligent computing and federat ‐
[ 3 ] WANG T, ZHENG Z G, REHMANI M H, et al. Privacy
ed learning[J]. Journal of university of electronic science
preservation in big data from the communication perspec ‐
and technology of China, 2023, 52(1): 95-101.
tive: A survey[J]. IEEE communications surveys & tutori ‐
[14] KANG J W, XIONG Z H, NIYATO D, et al. Incentive de ‐
als, 2019, 21(1): 753-778.
sign for efficient federated learning in mobile networks: A
[ 4 ] 李 佳 轩, 储 节 旺 . 数 据 流 转 抑 或 信 用 流 转: 数 字 赋 能 信 用
contract theory approach[C]// 2019 IEEE VTS Asia Pacif ‐
治 理 的 架 构 与 逻 辑[J/OL]. 情 报 理 论 与 实 践 . [2023-09-
ic Wireless Communications Symposium (APWCS). Pis ‐
02]. https://link. cnki. net/urlid/11.1762. G3.20230808.15
cataway, New Jersey, USA: IEEE, 2019: 1-5.
52.002
[15] 李 响, 付 春 霖, 雷 亚 国, 等 . 保 证 数 据 隐 私 的 装 备 协 同 智
[ 5 ] 任 语 铮, 谢 人 超, 曾 诗 钦, 等 . 工 业 互 联 网 标 识 解 析 体 系
能 故 障 诊 断 联 邦 迁 移 学 习 方 法[J]. 机 械 工 程 学 报, 2023,
综 述[J]. 通 信 学 报, 2019, 40(11): 138-155.
59(6): 1-9.
REN Y Z, XIE R C, ZENG S Q, et al. Survey of identity
LI X, FU C L, LEI Y G, et al. Federated transfer learning
resolution system in industrial internet of things[J]. Jour ‐
method for privacy-preserving collaborative intelligent
nal on communications, 2019, 40(11): 138-155.
machinery fault diagnostics[J]. Journal of mechanical en ‐
[ 6 ] 万 晓 霞, 焦 智 伟, 刘 名 轩, 等 . 工 业 互 联 网 应 用 综 述[J].
gineering, 2023, 59(6): 1-9.
数 字 印 刷, 2021(2): 1-26.
[16] ZHUANG Y T, CAI M, LI X L, et al. The next break ‐
WAN X X, JIAO Z W, LIU M X, et al. An overview of in ‐
throughs of artificial intelligence: The interdisciplinary na ‐
dustrial Internet applications[J]. Digital printing, 2021(2):
ture of AI[J]. Engineering, 2020, 6(3): 245-247.
1-26.
[17] SOWAH R A, KUUBOORE M, OFOLI A, et al. Decision
[ 7 ] CHEN W Q, LIU Y, CHI C. Innovative traceability appli ‐
support system (DSS) for fraud detection in health insur ‐
cation in medical devices industry using the identification
ance claims using genetic support vector machines (GS ‐
and resolution system for industrial Internet[C]// 2021
VMs)[J]. Journal of engineering, 2019, 2019: 1-19.
13th International Conference on Measuring Technology
[18] 孙 昊 颖 . 联 邦 学 习 在 金 融 产 业 的 应 用 展 望[J]. 新 疆 师 范
and Mechatronics Automation (ICMTMA). Piscataway,
大 学 学 报( 哲 学 社 会 科 学 版), 2022, 43(3): 140-148.
New Jersey, USA: IEEE, 2021: 72-76.
[ 8 ] 金 树 军 . 基 于 标 识 解 析 体 系 的 矿 用 设 备 关 键 运 维 系 SUN H Y. The prospects of applications of federated learn ‐
统[J]. 数 字 技 术 与 应 用, 2022, 40(12): 159-161, 173. ing in finance industry[J]. Journal of Xinjiang normal uni ‐
JIN S J. Key operation and maintenance system of mining versity (philosophy and social sciences), 2022, 43(3):
equipment based on identification analysis system[J]. Dig ‐ 140-148.
ital technology & application, 2022, 40(12): 159-161, 173. [19] 詹 延 军, 何 人 伟, 康 茜, 等 . 基 于 联 邦 学 习 的 城 市 轨 道 交
[ 9 ] 许 继 平, 韩 佳 琪, 张 新, 等 . 基 于 可 信 区 块 链 和 可 信 标 识 通 列 车 智 能 控 制 方 法 研 究[J]. 铁 道 通 信 信 号, 2023, 59
的 粮 油 质 量 安 全 溯 源 研 究[J]. 食 品 科 学, 2023, 44(3): (3): 61-66, 86.90 智 慧 农 业 （ 中 英 文 ） Smart Agriculture Vol. 5, No. 4
ZHAN Y J, HE R W, KANG Q, et al. Intelligent control [27] DE CAMARGO I F, ANTUNES R S, DE O RAMOS G.
method of urban rail transit based on federal learning[J]. On social consensus mechanisms for federated learning
Railway signalling & communication, 2023, 59(3): 61- aggregation[M]// XAVIER-JUNIOR J C, RIOS R A., Eds.
66, 86. Intelligent systems. Cham: Springer International Publish ‐
[20] ROY R, GEORGE K T. Detecting insurance claims fraud ing, 2022: 236-250.
using machine learning techniques[C]// 2017 International [28] 秦 明 旭, 鞠 轶, 李 琨 . 基 于 区 块 链 技 术 的 农 产 品 供 应 链 模
Conference on Circuit, Power and Computing Technolo ‐ 式 探 究[J]. 商 场 现 代 化, 2021(14): 7-9.
gies (ICCPCT). Piscataway, New Jersey, USA: IEEE, QIN M X, JU Y, LI K. Research on agricultural products
2017: 1-19. supply chain model based on blockchain technology[J].
[21] WANG Y B, XU W. Leveraging deep learning with LDA- Market modernization, 2021(14): 7-9.
based text analytics to detect automobile insurance [29] 许 继 平, 孔 德 政, 王 昭 洋, 等 . 基 于 工 业 互 联 网 的 大 米 供
fraud[J]. Decision support systems, 2018, 105: 87-95. 应 链 数 字 孪 生 系 统 构 建[J]. 农 业 机 械 学 报, 2023, 54(3):
[22] KEMPA M S, Peng Y H. Machine learning algorithms for 372-381.
fraud prediction in property insurance: Empirical evidence XU J P, KONG D Z, WANG Z Y, et al. Construction of
using real-world microdata[J]. Machine learning with ap ‐ digital twin system of rice supply chain based on industri ‐
plications, 2021(5):2-14. al Internet[J]. Transactions of the Chinese society for agri ‐
[23] STRANIERI S, RICCARDI F, MEUWISSEN M P M, et cultural machinery, 2023, 54(3): 372-381.
al. Exploring the impact of blockchain on the performance [30] 李 英 . 标 识 解 析 编 码 设 计 及 应 用 研 究[D]. 银 川: 宁 夏 大
of agri-food supply chains[J]. Food control, 2021, 119: ID 学, 2021: 8-11.
107495. LI Y. Research on design and application of identifier res ‐
[24] 严 佳 敏, 李 波, 吕 彬, 等 . 食 品 行 业 工 业 互 联 网 标 识 解 析 olution and coding[D]. Yinchuan: Ningxia University,
应 用 研 究[J]. 中 国 仪 器 仪 表, 2022(8): 22-27. 2021: 8-11.
YAN J M, LI B, LYU B, et al. Research on industrial In ‐ [31] 张 小 雪, 张 祖 婷, 刘 莉, 等 . 基 于 决 策 树 和 逻 辑 回 归 算 法
ternet identification analysis application in food indus ‐ 的 辅 具 适 配 模 型 研 究 与 实 现[J]. 中 国 康 复 医 学 杂 志,
try[J]. China instrumentation, 2022(8): 22-27. 2023, 38(8): 1108-1113.
[25] 王 立 文, 张 琪 . 基 于 标 识 解 析 二 级 节 点 的 综 合 能 源 平 台 ZHANG X X, ZHANG Z T, LIU L, et al. Research and
建 设[J]. 工 程 建 设 与 设 计, 2020(23): 162-164. implementation of assistive devices adaptation model
WANG L W, ZHANG Q. Construction of integrated ener ‐ based on decision tree and logistic regression algo ‐
gy platform based on secondary node of identification rithm[J]. Chinese journal of rehabilitation medicine, 2023,
analysis[J]. Construction & design for engineering, 2020 38(8): 1108-1113.
(23): 162-164. [32] 朱 荣 火, 黄 晶 晶, 黄 鸿 娜, 等 . 基 于 四 种 机 器 学 习 算 法 建
[26] 周 鑫, 周 云 成, 金 树 军, 等 . 煤 炭 工 业 互 联 网 标 识 解 析 二 立 预 测 肝 癌 切 除 术 后 复 发 模 型[J]. 中 西 医 结 合 肝 病 杂
级 节 点 系 统 架 构 研 究 [J]. 煤 矿 安 全 , 2022, 53(3): 志, 2023, 33(3): 202-208.
140-145. ZHU R H, HUANG J J, HUANG H N, et al. Establish ‐
ZHOU X, ZHOU Y C, JIN S J, et al. Research on second ‐ ment of a model for predicting recurrence after hepatecto ‐
ary node system architecture of coal industry Internet my based on machine learning algorithm[J]. Chinese jour ‐
identity resolution[J]. Safety in coal mines, 2022, 53(3): nal of integrated traditional and western medicine on liver
140-145. diseases, 2023, 33(3): 202-208.
Collaborative Computing of Food Supply Chain Privacy
Data Elements Based on Federated Learning
1,2 1,2 1,2 1,2 1,2 1,2
XU Jiping , LI Hui , WANG Haoyu , ZHOU Yan , WANG Zhaoyang , YU Chongchong
（1. School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 100048, China;
2. Key Laboratory of Industrial Internet and Big Data of China Light Industry, Beijing 100048, China ）
Abstract:
[Objective] The flow of private data elements plays a crucial role in the food supply chain, and the safe and efficient operation of the
food supply chain can be ensured through the effective management and flow of private data elements. Through collaborative comput ‐
ing among the whole chain of the food supply chain, the production, transportation and storage processes of food can be better moni ‐
tored and managed, so that possible quality and safety problems can be detected and solved in a timely manner, and the health and Vol. 5, No. 4 许 继 平 等 ： 基 于 联 邦 学 习 的 粮 食 供 应 链 隐 私 数 据 要 素 协 同 计 算 研 究 91
rights of consumers can be safeguarded. It can also be applied to the security risk assessment and early warning of the food supply
chain. By analyzing big data, potential risk factors and abnormalities can be identified, and timely measures can be taken for early
warning and intervention to reduce the possibility of quality and safety risks. This study combined the industrial Internet identification
and resolution system with the federated learning algorithm, which can realize collaborative learning among multiple enterprises, and
each enterprise can carry out collaborative training of the model without sharing the original data, which protects the privacy and secu ‐
rity of the data while realizing the flow of the data, and it can also make use of the data resources distributed in different segments,
which can realize more comprehensive and accurate collaborative calculations, and improve the safety and credibility of the industrial
Internet system''s security and credibility.
[Methods] To address the problem of not being able to share and participate in collaborative computation among different subjects in
the grain supply chain due to the privacy of data elements, this study first analyzed and summarized the characteristics of data ele ‐
ments in the whole link of grain supply chain, and proposed a grain supply chain data flow and collaborative computation architecture
based on the combination of the industrial Internet mark resolution technology and the idea of federated learning, which was construct ‐
ed in a layered and graded model to provide a good infrastructure for the decentralized between the participants. The data identifica ‐
tion code for the flow of food supplied chain data elements and the task identification code for collaborative calculation of food supply
chain, as well as the corresponding parameter data model, information data model and evaluation data model, were designed to sup ‐
port the interoperability of federated learning data. A single-link horizontal federation learning model with isomorphic data characteris ‐
tics of different subjects and a cross-link vertical federation learning model with heterogeneous data characteristics were constructed,
and the model parameters were quickly adjusted and calculated based on logistic regression algorithm, neural network algorithm and
other algorithms, and the food supply chain security risk assessment scenario was taken as the object of the research, and the research
was based on the open source FATE (Federated AI Technology) federation learning model. Enabler (Federated AI Technology) federat ‐
ed learning platform for testing and validation, and visualization of the results to provide effective support for the security manage ‐
ment of the grain supply chain.
[Results and Discussion] Compared with the traditional single-subject assessment calculation method, the accuracy of single-session
isomorphic horizontal federation learning model assessment across subjects was improved by 6.7%, and the accuracy of heteroge ‐
neous vertical federation learning model assessment across sessions and subjects was improved by 8.3%. This result showed that the
single-session isomorphic horizontal federated learning model assessment across subjects could make full use of the data information
of each subject by merging and training the data of different subjects in the same session, thus improving the accuracy of security risk
assessment. The heterogeneous vertical federated learning model assessment of cross-session and cross-subject further promotes the
application scope of collaborative computing by jointly training data from different sessions and subjects, which made the results of
safety risk assessment more comprehensive and accurate. The advantage of combining federated learning and logo resolution technolo ‐
gy was that it could conduct model training without sharing the original data, which protected data privacy and security. At the same
time, it could also realize the effective use of data resources and collaborative computation, improving the efficiency and accuracy of
the assessment process.
[Conclusions] The feasibility and effectiveness of this study in practical applications in the grain industry were confirmed by the test
validation of the open-source FATE federated learning platform. This provides reliable technical support for the digital transformation
of the grain industry and the security management of the grain supply chain, and helps to improve the intelligence level and competi ‐
tiveness of the whole grain industry. Therefore, this study can provide a strong technical guarantee for realizing the safe, efficient and
sustainable development of the grain supply chain.
Key words: federated learning; identification resolution; collaborative computation; privacy data exchange; food supply chain; data el ‐
ements
Foundation items: Project of Industrial Internet Innovation and Development Project of MIIT (TC200A00L-3); Project of Industrial In ‐
ternet Innovation and Development Project of MIIT (TC210A02N); Project Grant of Science and Technology/Social Science Program
of Beijing Municipal Commission of Education (KM202210011013)
Biography: XU Jiping, E-mail: xujiping@139.com
Corresponding author: WANG Zhaoyang, E-mail: wangzhaoyang@btbu.edu.cn
（ 登 陆 www.smartag.net.cn 免 费 获 取 电 子 版 全 文 ） |
|
