近期，成都信息工程大学网络安全与先进计算团队郑承良老师与武汉大学彭祥贞、刘运祺博士等在国际权威期刊Reliability Engineering and System Safety（中科院一区Top）上发表了题为“A privacy-enhanced multi-party industrial control systems collaboration framework”的研究论文。

该论文着眼于工业控制系统在资源受限设备上训练模型以及安全利用多方隐私数据所面临的挑战。为了实现无需信任假设的多方协作，研究团队提出了一种名为IEEB的去中心化协同训练框架。该框架融合了区块链、联邦学习与边缘计算技术，通过区块链提供可信协作环境，利用边缘服务器克服工控终端设备的算力局限，并借助联邦学习实现“数据不动，模型动”的隐私保护训练。为了保障协作过程的可靠性与可持续性，文章设计了一套基于Banzhaf指数的动态贡献评估与激励机制，以及一个主动的投毒防御机制。在基于Hyperledger Fabric的实现与测试中，该框架在多个数据集上使模型平均AUC提升了9.1%，总训练时间减少了64.7%，并且在面对高达20%的恶意客户端时仍能保持稳健性能。

图1IEEB去中心化协同训练框架

文章信息：Peng X, Liu Y, Zheng C, et al. A privacy-enhanced multi-party industrial control systems collaboration framework[J]. Reliability Engineering & System Safety, 2026: 112318.

文章链接：https://www.sciencedirect.com/science/article/pii/S0951832026001341