本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：AI模型的训练和优化高度依赖海量数据，这些数据的来源呈现显著的多样性与分散性，传统的数据共享机制面临着数据泄露、数据篡改、隐私保护等问题。在此背景下，构建AI模型数据安全共享方案成为当务之急。该方案依托区块链与同态加密技术，可确保训练数据无需离开本地，通过联盟协作训练实现AI模型开发。通过这种方式，能在更大范围内实现数据的安全共享，进而充分释放AI模型的巨大潜力。
关键词：AI模型；区块链；同态加密；数据安全
doi：10.12045/j.issn.1007-3043.2025.09.007
引言
人工智能（AI）技术的迅猛发展高度依赖大量高质量数据，数据共享作为整合多方数据资源的有效手段，能够大幅提升AI模型的准确性与泛化能力。然而，AI模型数据常涉及敏感信息，如个人隐私数据、企业商业机密等。传统数据共享方式在数据安全与隐私保护方面存在诸多漏洞，例如2023年某医院病历数据库遭黑客攻击，导致10万条隐私数据泄露，直接经济损失超2000万元，这些问题严重阻碍了数据的有效共享。
现有研究已尝试探索数据安全共享模式，早期方案多依赖集中式隐私计算，但存在计算开销大、单点故障风险等问题。近年来，区块链与AI的融合成为研究热点：Google提出的联邦学习框架实现了隐私保护，但缺乏对模型参数篡改的防御机制；全同态加密算法虽能支持任意计算，但计算复杂度极高，难以适配AI模型的大规模训练；部分同态加密算法在浮点数计算上更适用于AI场景，但现有方案未明确密钥分布式管理策略。
相比之下，本方案创新提出“区块链+横向联邦学习+同态加密”的三层融合架构，在支持跨机构协作训练的同时，通过智能合约实现数据权属的动态更新。
