摘要：为了降低快时尚供应链上的牛鞭效应，快时尚企业越来越意识到信息共享的重要性，然而现有供应链数据共享方案依然不被大多数企业认可，其主要挑战在于3点：快时尚企业之间的信任局限性、传统数据共享方案存在数据泄漏问题和快时尚企业之间数据中心化存储问题。因此，提出一种基于区块链的快时尚供应链联邦共享平台，利用联邦学习和区块链技术作为底层技术，建立了一个可信数据共享的平台框架，基于RSA和哈希加密算法对核心参数进行加密，实现快时尚供应链产品数据的ID匹配和特征参数的提取，不会被反推；智能合约能自动执行联邦建模过程和记录交易，提高快时尚企业满足顾客需求的效率。对比其他的数据共享方案，提出的方案可以保证数据不出本地，达到数据共享效果，使快时尚供应链上各方更好地参与协作共享；保证交易记录和模型参数的不可篡改及可靠性，强化了快时尚供应链各节点间的信任。

　　关键词：快时尚；信息共享；区块链；联邦学习

　　引言

　　过去10年间，快时尚给市场带来了革命性的变化。快时尚是在传统高档品牌和大众品牌之间开辟出的一种新型服务模式[1]。著名的国际快时尚零售商H&M、UNIQLO和Zara，这些品牌在国内外市场迅速打开局面是消费者的消费偏好的直接表现，实现了年轻消费者对高档时尚产品的体验感。快时尚给这些纺织和服装行业带来了新鲜血液，及时满足消费者需求、产品批量小和交货期短都体现了快时尚的优越性[2]。同时，因为快时尚的这些优越性，快时尚供应链需要敏捷的供应链，去快速地反应消费者需求，尤其是在制造商和零售商这个二级供应链之间。然而，快时尚供应链中制造商和零售商之间的不信任很难对频繁和不可预测的市场做出反应[3]。因此，对于快时尚消费品行业来说，解决快时尚供应链实体之间的不信任是降低牛鞭效应和实现敏捷零售的关键因素之一。

　　快时尚供应链上的实体企业已经意识到信息协作的重要性，为了提高自身的竞争力，需要企业通过现有的企业数据和供应链上的其他各方进行共享，加快供应链上的信息流，提高供应链的效率，并且快速反应顾客的需求[4]。在快时尚供应链上，许多企业通过自己的快时尚系统来进行信息协作，但是这些传统的信息系统多数被核心企业掌握，而且会出现数据泄漏的问题，导致许多企业不愿参与这种交互数据的协作模式[5]。同时，由于不同企业之间的多源数据交互难和数据共享意愿上存在差异，许多企业也不愿意共享自己的业务数据和产品数据。因此，只有在一种特别的共享模式或者系统下，企业才更加愿意参与到多方协作的环境中，促进供应链的多方合作生态发展，以支持决策。区块链将交易信息永久保存在网络上，并且不能篡改，因此它具有可信度、可分布性、高透明度和准确性等优点[6]。此外，智能合约是区块链上的软件代码，它能按照不同的请求执行不同的交易，与传统合同类似，但是它具有自动执行的特点[7]。Ma认为区块链可以解决数据信任问题，因为传统的集中式系统缺乏保密性和可信性[8]。具体来说，随着信息技术的发展，区块链可以帮助分布式参与者的协作，在高可信度下完成事务[9]。同时，区块链技术的发展也帮助企业设计平台的服务更新。区块链不仅能促进传统协作模式的事务发展，也能增强分布式供应链之间信息共享的安全性。区块链的特性可以将联邦学习中的模型在实际应用中得到良好的体现，例如去中心化、永久记录性和激励机制等。Umer Majeed则设计了一种基于区块链网络的边缘设备组成联邦学习体系结构FLchain，并提出全局模型的概念，进一步提高联邦学习的安全性[10]。

　　为了解决上述问题，提出了一个基于区块链的供应链联邦共享系统。该系统利用区块链技术作为底层技术，联邦学习作为共享模式的关键隐私保护技术，不像传统的信息共享方案需要共享原始数据数据，而是将企业之间的特征数据进行交互，同时数据加密态不会被察觉，实现数据不共享，达到共享的效果，并且企业之间联邦建模的交易记录在区块链中。其次，将全局模型和交易记录写入区块链，区块链上的数据难以被篡改，保证了快时尚企业的安全性。最后，满足企业或者部门之间在信息共享上的高效需求。

　　1基于区块链的快时尚供应链联邦共享平台架构

　　本文的目的是提出一个使用区块链的快时尚供应链联邦共享系统。该系统可以帮助快时尚供应链上的制造商和供应商在不共享各自的源数据前提下，通过区块链和联邦学习技术达到信息共享的目的，并且利用智能合约改进联邦学习过程中协作组参与的问题，进一步提高安全性。所提出的系统的实施可以提供隐私安全和交易透明的联邦共享机制。所提出的系统的体系结构如图1所示。所提出的系统中有5层，即对象层、应用层、计算层、数据层和底层。

　　1.1底层

　　区块链网络是整个系统的底层技术，它提供了一种安全的记录数据方法。区块链由许多节点组成，每个节点都有一个公共分类帐的副本。在该系统中，每个节点代表一个企业。节点之间的通信是为了获得内容的协议，并且不需要中央代理来协调和验证事务。交易表示用户代码之间的交易，即供应链中的不同参与者，暂时研究制造商和零售商两个节点。它是区块链中权力下放的核心。交易完成后，交易记录将记录到分类帐中，并且不会被篡改。在交易执行期间，智能合约的应用占据重要地位。智能合约是一种计算机协议，旨在促进，验证或执行合同的谈判或履行。用户通过此机制注册其个人信息并上传模型参数数据。结合智能合约，实现计算完成后的利润分配。非对称加密是一种在数据交换过程中执行的复杂算法机制。它可以保护交易信息在不安全的网络环境中被盗，从而保护用户的隐私。

　　1.2数据层

　　数据层是制造商的数据参数为主，零售商的数据参数为辅。制造商运用自己的数据，例如生产信息、物流数据等在本地进行训练模型，生成了属于自己特有的模型参数，零售商发出请求，请求制造商共享模型参数，制造商将自己的本地模型参数上传到区块链，区块链会将模型参数进行非对称加密，然后经过区块打包交给零售商，零售商收到区块进行验证。

　　1.3计算层

　　计算层是基于区块链的联邦学习算法。快时尚制造商获取这个共享的全局模型，通过使用自己本地的数据子集对模型进行一定的迭代训练。然后，快时尚制造商通过本地训练的局部模型参数和梯度值，通过区块链上传给快时尚零售商。快时尚零售商收到局部模型对全局模型进行加权聚合，再次进行多次迭代之后，全局模型达到满足预定义的收敛条件，联邦学习任务结束。

　　每个制造商看作一个边缘节点n，各自拥有着自己的数据集Di，i∈N={1，2，···}。在每次迭代过程t属于{0，1，···，R-1}[11]。Step1：制造商发送全局模型M(!)给每个边缘节点。

　　Step2：每个制造商用本地数据集a!去训练全局模型M(!)，返回局部模型M!(!)给零售商。

　　Step3：零售商整个所有的局部模型{M!(!)|!∈N}，获得一个全新的全局模型M(!+1)进行下一次迭代。模型迭代过程首先是制造商计算每一个边缘节点的梯度，一般是用随机梯度下降法(SGD)来进行迭代：V!)=M M(!)(1)然后，零售商对全部节点上传的局部模型更新进行加权聚合，就能得到更新的全局模型，为：其中|a!|是训练数据a!的大小，最后零售商通过梯度下降法计算更新的全局模型：M(!+1)=M(!)+V(!)(3)

　　1.4应用层

　　应用层基于底层的区块链技术和计算层的联邦学习技术实现。零售商想和和制造商进行联邦建模的请求会触发智能合约中的条款，智能合约的代码会自动执行。首先，零售商发出请求，区块链会将请求消息记录在链上，在制造商与零售商达成通信之后，智能合约自动触发，智能合约替代联邦学习，交易信息记录在区块链上。

　　1.5对象层

　　对象层由供应链的主要角色组成，零售商和制造商为联邦共享的主体，其余的都是制造商和零售商合理获取数据的对象。

　　2架构关键部分

　　基于样本特征和样本ID的数据在空间的分布情况，联邦学习分为3类：横向联邦学习、纵向联邦学习和联邦迁移学习。考虑两方参与的场景，有角色A和角色B，在横向联邦学习中角色A与角色B两者的用户重叠度高，而用户特征的重叠度低；纵向联邦学习中角色A与角色B两者的用户特征重叠度高，而用户的重叠度低；联邦迁移学习就是通过联邦学习和迁移学习，解决角色A和角色B的用户和用户特征重叠部分都比较小的问题[12]。

　　在本文提出的快时尚供应链场景中，制造商与零售商是邻近关系。研究制造商和零售商之间的共享模式，制造商与零售商之间产品数据的特征重合度很高，零售商与制造商是零售商需要根据制造商定的批发价来定零售价。因此，采用纵向联邦学习来对这个二级供应链进行研究，将产品ID进行加密匹配，得到两者之间的交集。

　　2.1加密ID匹配

　　纵向联邦学习由加密ID匹配和联邦建模两个过程完成。在制造商和零售商合作之前需要进行产品匹配，找出产品的交集，但是不能泄漏交集，加密ID匹配过程主要基于RSA算法和哈希算法实现的[13]。在确认公共的交集后，开始联邦建模过程，训练模型的损失和参数返回为制造商和零售商。

　　RSA算法与哈希算法的具体实现步骤如下。

　　(1)B方通过RSA加密算法生成N(公钥)、a(加密算法)、p(解密算法)，然后将加密密钥(a，N)，传递给A。

　　(2)A将自己拥有的样本ID通过哈希函数加密，再通过加密密钥(a，N)加密，然后传递给B，传递回去的是Y(A)。

　　(3)B接受到Y(A)之后，首先使用解密算法(p，N)解密，这时候L!的a和p抵消了(一个加密、一个解密)，但是由于还是存在随机噪声L!和A的哈希函数H，所以B无法得知A的样本!p。B计算Z(A)、Z(B)，其中，Z(B)是指B在A传回来的结果中的一部分加了一个哈希函数，将Z(A)、Z(B)回传给A。

　　(4)A首先消除掉Z(A)中的随机噪声(第2步中自己加的)，然后再做一次哈希，生成a(A)，此时a(A)的形式和Z(B)就一致了，两者求交。A就可以得到两者的交集{n1，n2，n3}。此时B也获得的两者交集{n1，n2，n3}。

　　2.2工作机制

　　联邦共享平台的工作机制如图2所示，零售商想要进行联邦共享，发出请求触发区块链上的智能合约，合约将区块实现打包传递给制造商，制造商将建立本地模型，经过联邦共享平台提取产品ID和特征数据，将其上传区块链，打包传递给主动方即零售商，同时零售商也上传经过联邦学习平台提取的产品ID和特征数据，并且含有带有标签的特征数据，两者的数据上传成功后，触发智能合约执行联邦建模过程，联邦建模过程完后，智能合约分配更新的模型参数给双方。

　　2.3联邦共享过程

　　平台的联邦共享过程如图3所示。图4所示为平台的信息流。企业A想和企业B进行信息共享，双方首先成为区块链上的两个节点，经过区块链网关进行相互通信。在建立通信的基础上，企业A发出信息共享请求，触发区块链上的智能合约，合约会将企业A想要信息共享的请求发给企业B，企业B收到共享请求后会确认请求，也通过智能合约返回接受请求的通知信息，这些请求交易信息都会永久地保留在区块链上，然后各自通过自己的企业信息系统，先在本地建立模型A和B，再用自己企业的数据训练各自的模型，然后将各自的模型参数上传至链上，触发智能合约，驱动系统执行联邦建模，联邦计算结束后，系统会触发一次智能合约，返回全局模型，传递更新的模型参数给企业A和企业B。从而企业A和企业B可以通过更新的模型参数训练各自的模型，并且不需要泄漏自己的核心数据，将其共享给其他企业，而是通过共享本地训练模型的参数，实现信息共享的目的。

　　3结束语

　　本文以快时尚供应链为背景，提出了基于区块链的快时尚供应链联邦共享平台。首先，加密快时尚企业的核心数据，保证信息共享过程中数据的安全性和不被反推；其次，提出联邦共享模式实现数据不共享，达到共享的效果。最后，利用区块链技术保证交易记录和模型参数的不可篡改及可靠性，并满足企业或者部门之间在信息共享上的高效需求。综上所述发现，区块链能与联邦学习结合能形成新的数据安全应用方案，在各种行业背景下都有应用的潜力。在目前的技术背景下，研究如何将区块链的优势与联邦学习的优势有机结合以进一步提高隐私安全是有必要的。

　　参考文献：

　　[1]Shu FangLiu,Hsiao ChingLee,NaiHwaLien.Do fastfashion con⁃sumers prefer foreign brands The moderating roles of sensory per⁃ception and consumer personality on purchase intentions[J].Asia Pacific Management Review,2021,26(2):103-111.

　　[2]Felipe Caro,Victor Martínez de Albéniz.Fast Fashion:Business Model Overview and Research Opportunities[J].International Series in Operations Research&Management Science,2015(223):237-264.

　　[3]Alfieri A,Marco A D,Pastore E.Last mile logistics in Fast Fash⁃ion supply chains:a case study[C]//9th IFAC conference MIM 2019 on Manufacturing Modeling,Management and Control,2019.

　　[4]Bill Wang,Wen Luo,Abraham Zhang,et al.Blockchain-enabled circular supply chain management:A system architecture for fast fashion[J].Computers in Industry,2020(123).

　　[5]Silva E S,Hassani H,Madsen DØ.Big Data in fashion:trans⁃forming the retail sector[J],Journal of Business Strategy,2020,41(4):21-27.

　　[6]Zhi L,Barenji A V,Huang G Q.Toward a blockchain cloud man⁃ufacturing system as a peer to peer distributed network platform[J].Robotics and Computer-Integrated Manufacturing,2018,54(12):133-144.

　　[7]张志,李军祥,张栋梁.基于联盟区块链的供应链信息协同博弈研究[J].计算机应用研究,2021,38(5):1314-1319.

　　[8]Ma Zhaofeng,Zhao Weizhe,Luo Shoushan,et al.TrustedBaaS:Blockchain-Enabled Distributed and Higher-Level Trusted Plat⁃form[J].Computer Networks,2020(183).

　　[9]李剑,易兰,肖瑶.信息不对称下基于区块链驱动的供应链减排信息共享机制研究[J].中国管理科学,2021,29(10):131-139.

　　[10]Majeed U,Hong C S.FLchain:Federated Learning via MEC-enabled Blockchain Network[C]//2019 20th Asia-Pacific Net⁃work Operations and Management Symposium(APNOMS),2019.

　　[11]方晨,郭渊博,王一丰,等.基于区块链0和联邦学习的边缘计算隐私保护方法[J].通信学报,2021,42(11):28-40.

　　[12]Qiang Yang.Federated Machine Learning:Concept and Appli⁃cations.[J].ACM TIST,2019,10(2):1-19.

　　[13]罗长银,陈学斌,刘洋,等.基于联邦集成算法对多源数据安全性的研究[J].计算机工程与科学,2021,43(8):1387-1397.