💻 computer science

ICBAC: an Intelligent Contract-Based Access Control framework for supply chain management by integrating blockchain and federated learning

本文提出了 ICBAC，一种用于供应链的智能访问控制框架，该框架集成了许可链、联邦学习和博弈论客户端选择技术，旨在不共享敏感数据的情况下，实现跨竞争组织间的动态、隐私保护型异常检测。

原作者： Sadegh Sohani, Salar Ghazi, Farnaz Kamranfar, Sahar Pilehvar Moakhar, Mohammad Allahbakhsh, Haleh Amintoosi, Kaiwen Zhang

发布于 2026-02-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Sadegh Sohani, Salar Ghazi, Farnaz Kamranfar, Sahar Pilehvar Moakhar, Mohammad Allahbakhsh, Haleh Amintoosi, Kaiwen Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一个庞大的全球供应链就像一个繁忙的巨大市场，成千上万家不同的公司（农户、工厂、卡车司机和商店）在这里进行贸易。每个人都需要互相沟通，但他们也需要保护好自己的秘密。问题在于，在这个市场里，很难知道谁有权做什么事，更难发现那些看起来拥有权限、实际上却行为可疑的人（比如偷窃库存的员工或绕道行驶的卡车司机）。

这篇论文介绍了一个名为 ICBAC 的新系统，它是一个“智能保安”系统，旨在解决这些问题。以下是它的工作原理，通过简单的概念进行了拆解：

1. 数字账本：不可破坏的“笔记本”

首先，该系统使用区块链（具体来说是名为 Hyperledger Fabric 的版本）。你可以把它想象成一个所有供应链参与者共享的巨大的、不可破坏的笔记本。

为什么它有效： 你无法篡改或伪造这个笔记本中的条目。如果有人试图更改记录，整个群体都会看到。
特别之处： ICBAC 并没有使用一个所有人共用的巨型笔记本，而是使用了私有通道。想象一栋有很多不同房间的建筑。“水果室”有它自己的笔记本，“电子产品室”也有它自己的。这使得竞争对手之间的数据保持独立和私密，这样竞争对手就无法看到你的销售数据。

2. 智能合约：自动化的“规则”

在这些数字房间内部，系统使用了智能合约。你可以把它们想象成有着严格规则的自动售货机。

工作原理： 如果你投入了正确的硬币（权限），机器就会给你零食（访问数据的权限）。如果你没有正确的硬币，它就会说“不行”。
升级版： 旧系统只有静态规则（例如，“约翰可以开门”）。ICBAC 增加了权限撤销列表。如果系统认为约翰的行为异常，它可以立即将他列入“待定”名单，冻结他的访问权限，直到人类经理进行审查。

3. AI 代理：行为“保镖”

这是最具创新性的部分。系统不仅检查你是否拥有钥匙，还会观察你如何使用钥匙。

类比： 想象一个了解你日常习惯的保安。如果你通常在上午 9:00 解锁前门，但突然在凌晨 3:00 尝试解锁保险库并下载了 1,000 个文件，保安就会产生怀疑。
行动： 这个“AI 保镖”存在于每个供应链房间内。它会学习针对该特定群体的“正常行为”是什么样的。如果它发现了异常情况（例如突然的大规模数据下载），它会自动标记该用户并限制其访问权限。

4. 隐私问题：“在不分享的情况下进行教学”

这里有一个棘手的部分：为了更好地识别异常行为，AI 需要从许多不同的供应链中学习。但公司不能与竞争对手分享他们的秘密数据（如客户名单或定价）。

解决方案：联邦学习 (Federated Learning)。 想象一群厨师试图完善一道汤的配方。他们不需要把各自的秘密食材送到中央厨房，而是在各自的厨房里各做一小批，品尝之后，只将“配方调整方案”（而不是汤本身）发送到中央锅中。中央锅变得越来越聪明，但没有人能看到其他厨师的秘密食材。
ICBAC 的方法： 来自不同供应链的 AI 代理会分享它们的“经验教训”（数学更新），但绝不会分享实际的原始数据。这在让安全系统变得更聪明的同时，也保护了每个人的秘密。

5. “朋友圈”系统：“享乐主义联盟形成”

这篇论文意识到，并非所有的供应链都是一样的。“易腐食品”链的行为模式与“汽车零件”链非常不同。如果把它们全部混在一起学习，AI 会感到困惑。

类比： 想象一场学校舞会。你不想和所有人跳舞，而是想和那些喜欢相同音乐的人跳舞。
机制： ICBAC 使用一种博弈论方法，让供应链形成“朋友圈”（联盟）。每个供应链都会表达：“我想向这些特定的合作伙伴学习。”然后，系统使用一种数学算法（Tarjan 算法）来寻找最稳定的群体，在这些群体中，每个人都乐于互相学习。
益处： 这确保了 AI 从真正匹配的群体中学习（例如，食品链向其他食品链学习），而不是强行将不兼容的群体凑在一起。

他们的研究结果如何？

作者使用真实世界的供应链数据，在计算机模拟中测试了这个系统。

速度： 它的运行速度几乎与旧的、更简单的安全系统一样快。
聪明程度： 即使在数据混乱或跨组差异较大的情况下，它也能成功捕捉到“坏人”（异常行为）。
隐私性： 它在实现这一目标的过程中，从未让任何公司向任何人分享过其实际的敏感数据。

简而言之： ICBAC 是一个结合了不可篡改的数字记录、自动规则执行、能够监测可疑行为的智能 AI，以及一种在不泄露秘密的前提下让不同公司共同训练 AI 的隐私保护方式的安全系统。它旨在使供应链在不破坏竞争对手之间信任的前提下，变得更加安全且更具适应性。

技术摘要：ICBAC —— 一种用于供应链管理的智能合约化访问控制框架

1. 问题陈述

现代供应链管理（SCM）系统运行在多个独立且往往相互竞争的组织之间，这创造了一个复杂的访问控制环境。现有的机制主要是静态的、中心化的且由策略驱动的（例如 RBAC、ABAC），难以应对动态的内部威胁、错误行为以及依赖上下文的滥用行为。虽然区块链技术提供了去中心化和不可篡改性，但目前的基于区块链的访问控制框架仍依赖于预定义规则，缺乏行为智能。

相反，虽然基于机器学习（ML）的用户与实体行为分析（UEBA）可以检测异常，但中心化训练需要聚合敏感的行为数据。这与供应链中固有的隐私、监管和竞争约束产生了冲突，因为各组织无法共享原始数据。此外，将联邦学习（FL）直接应用于异构且相互竞争的供应链时，会引入数据分布不匹配（非独立同分布/Non-IID 数据）、收敛不稳定以及策略性参与等挑战，因为在一个供应链中被视为异常的行为在另一个供应链中可能属于正常行为。

2. 方法论：ICBAC 框架

本文提出了 ICBAC（智能合约化访问控制），该框架集成了许可式区块链（Hyperledger Fabric）与联邦学习（FL）以及博弈论驱动的客户端选择机制。

2.1 架构

ICBAC 结构分为两个层级：

区块链层： 基于 Hyperledger Fabric 构建，利用多通道架构，每个通道（ $C_i$ ）代表一个独特的供应链上下文，拥有各自的参与者、资产和信任边界。这确保了隔离性和选择性的数据共享。
AI 层： 为每个通道部署一个专门的 AI 代理（ $AI_i$ ），用于监控参与者行为并进行本地异常检测。

2.2 核心组件

智能合约： 三个专门的合约负责执行访问控制：
- 资产管理 ( $SC_{AM}$ )： 处理资产的创建与更新。
- 基础访问控制 ( $SC_{BAC}$ )： 管理基准权限，通过 LeastPrivilege（最小特权）和动态调整的 ExtraPrivilege（额外特权）集合，实现用户权限的提升或降级。
- 权限撤销列表 ( $SC_{PRL}$ )： 维护被标记为异常的参与者名单。当 AI 代理检测到可疑行为时，该参与者会被添加到 PRL 中，随后的访问请求将被标记为“待定（Pending）”，等待行政审查。
基于 AI 的异常检测： 每个通道都在本地行为序列（特征向量包括身份、操作类型、频率和时间）上训练一个轻量级的时序模型。该模型预测正常行为；任何超过阈值的偏差都会触发异常标志。
联邦学习 (FL)： AI 代理通过共享模型更新（参数）而非原始数据来协作改进其异常检测模型。该框架采用联邦平均算法（FedAvg）进行聚合。

2.3 基于博弈论的客户端选择

为了解决供应链的异构性和全局联邦学习的不稳定性，ICBAC 引入了一种 享乐联盟形成（Hedonic Coalition Formation） 机制来进行客户端选择：

基于偏好： 每个 AI 代理声明一份“朋友”（受信任或兼容的伙伴）名单，而不泄露底层的筛选标准。
稳定性： 该机制使用 Tarjan 算法在偏好图中识别强连通分量（SCC）。
保证： 这种方法确保了核心稳定性（没有一组代理有动机脱离联盟）和策略证明性（代理无法通过虚报偏好来获益）。
结果： 通道形成稳定的、小规模的联邦进行 FL，确保聚合仅在行为兼容的参与者之间进行，从而减轻了在 Non-IID 环境下常见的“客户端漂移”问题。

3. 主要贡献

本文概述了四个主要贡献：

面向 SCM 的区块链访问控制： 一个基于 Hyperledger Fabric 的多通道框架，反映了异构的供应链上下文。
AI 驱动的动态访问撤销： 集成每通道 AI 代理，实现实时异常检测和通过智能合约进行的自动化、上下文感知型权限撤销。
隐私保护的联邦学习： 一种允许在不交换原始数据的情况下协作改进模型的机制。
基于博弈论的客户端选择： 一种享乐联盟形成机制，确保了 FL 联盟的稳定、策略证明性和隐私保护性。

4. 实验结果

实验是在 Hyperledger Fabric 测试床上进行的，使用了 DataCoSupplyChain 数据集（超过 180,000 条记录）。

区块链性能： ICBAC 在延迟和吞吐量方面表现出与最先进的静态框架（如 MedTrace、AccessChain、ProChain）相当的水平。虽然由于动态权限检查，读取操作显示出吞ial 略微下降（在一次特定测试中，吞吐量比 ProChain 低约 18.6%），但统计分析（t 检验）表明，在大多数性能指标上并无显著差异。
异常检测 (FL)：
- IID 与 Non-IID： 框架在独立同分布（IID）和非独立同分布（Non-IID）数据分布下进行了测试。
- 联盟效能： 通过该机制形成的基于偏好的联盟在性能上始终优于随机联盟和全包容式联邦，特别是在 Non-IID 设置下。它们实现了更快的收敛速度和更高的 F1 分数，且损失更低。
- 隐私性： FL 联盟实现了零隐私泄露（未共享原始数据），而基于聚合数据训练的中心化模型则表现出可测量的泄露（0.15–0.53）。
- 准确率： 在 IID 条件下，FL 的性能接近中心化模型。在 Non-IID 条件下，虽然中心化模型保持了更高的准确率，但 FL 模型在保持强劲性能的同时有效地保护了隐私。

5. 意义与主张

本文声称 ICBAC 为去中心化供应链生态系统提供了一种实用的、隐私保护的动态访问控制解决方案。其重要性在于弥合了区块链的透明度与 AI 的适应性之间的鸿沟，特别解决了静态策略在面对内部威胁时的局限性。

作者强调，该框架特别适用于那些无法共享数据但需要从集体智能中获益的竞争性环境。通过使用享乐联盟形成机制，ICBAC 确保了协作是稳定且具有策略证明性的，且无需披露敏感的协作标准。

论文也适度地承认了局限性，指出在 Non-IID FL 场景下的性能低于中心化设置，且读取操作会产生轻微开销。未来的工作建议解决异构数据聚合问题，并将该框架扩展到使用跨链互操作协议的完全独立的跨链场景。