《Journal of Agriculture and Food Research》：TrustFish: A Decentralized AI Framework for Trustworthy End-to-End Seafood Quality and Safety Monitoring
编辑推荐：
本文推荐一项名为TrustFish的创新研究，它针对海鲜供应链中高昂的验证成本、去中心化结构、异构数据量大及缺乏故障安全检测技术等挑战，提出一个融合联邦学习（FL）与区块链的框架。研究人员通过结合物联网（IoT）设备数据、动态分片与有向无环图（DAG）共识机制，构建了一个去中心化、安全、保护隐私的监控系统。实验结果表明，该系统实现了端到端可追溯性，提升了消费者信任、减少了污染与欺诈，并为行业迈向工业5.0奠定了基础。
你是否想过，当你从超市购买一块三文鱼时，如何确保它从海洋到餐桌的旅程是安全可靠的？海鲜供应链是一个庞大、多样且复杂的系统，涉及渔民、运输商、仓储、物流和零售商等多个环节。这种碎片化结构，加上缺乏集中管理、高昂的监控与验证成本，使得建立高效的海产品追溯体系极具挑战。特别是在疫情之后，消费者和进口国对海鲜安全的警惕性日益提高。人们不仅想看到海鲜的来源，更希望确保其质量与安全。然而，传统的机器学习（ML）方法面临数据篡改和集中式处理的问题，而联邦学习（FL）虽能协同训练模型而不共享原始数据，却存在可靠性、匿名性和可追踪性等方面的缺陷。同时，现有基于区块链的追溯系统多专注于交易数据记录，往往忽视了来自物联网传感器的连续、隐私敏感的实时质量监控数据。这些问题共同构成了海鲜供应链迈向透明、可信和高效的关键障碍。
为解决上述难题，一项题为《TrustFish: A Decentralized AI Framework for Trustworthy End-to-End Seafood Quality and Safety Monitoring》的研究应运而生，并发表在《Journal of Agriculture and Food Research》上。该研究创新性地提出TrustFish框架，它深度融合了联邦学习与区块链技术，旨在为海鲜供应链构建一个去中心化、安全且隐私保护的质量与安全监控系统。
为了开展这项研究，研究人员主要运用了几项关键技术：首先，利用物联网（IoT） 设备（如温湿度传感器）在供应链各节点（渔民、运输、仓储、物流、零售）采集实时环境数据。其次，采用联邦学习（FL） 框架，使各节点能在本地数据上训练模型，仅上传模型权重更新至中央聚合器，实现协同学习并保护数据隐私。第三，引入区块链技术（基于Hyperledger Fabric平台），以不可篡改的方式记录所有质量评估和交易数据，确保数据完整性与端到端可追溯性。第四，结合差分隐私（DP） 与同态加密（HE） 构建分层隐私保护机制，在本地模型更新中加入可控噪声并支持密文聚合，进一步提升隐私性。第五，为提升系统在异构物联网环境下的可扩展性与容错性，设计了动态分片与有向无环图（DAG） 共识机制。研究采用基于行业标准（HACCP, ICMSF）生成的合成物联网数据进行概念验证，数据总计1500个样本，涵盖供应链五个节点及“良好”、“中等”、“差”三个质量等级。
实验结果与讨论部分展示了TrustFish框架的有效性：
- •
环境趋势分析与腐败相关性：通过对供应链节点温湿度数据的分析，研究揭示了环境条件与海鲜质量间的明确关联。例如，在仓储节点，被归类为“差”的样本平均湿度高达85% ± 5%，温度达6.5°C ± 1.5°C；而“良好”样本则维持在更低的湿度（70% ± 3%）和更严格的温度范围（3.2°C ± 0.5°C）。运输节点表现出最大的温度波动，这与该环节最高的质量退化率（40%样本为“中等”或“差”）相关。这些发现识别出运输和仓储阶段是关键控制点，TrustFish的实时监控可在阈值超标时触发自动警报。
- •
区块链性能与数据完整性验证：集成在TrustFish中的区块链（基于Hyperledger）提供了一个透明且防篡改的机制。通过哈希链验证（公式6：Hblock= SHA256(Hprev|| Di|| T)），确保了数据完整性。对1500笔交易的处理测试显示，平均延迟为1.5秒，吞吐量达25 tx/s，篡改尝试会立即导致哈希链失效，验证了系统的防篡改特性。
- •
定量分类结果：联邦学习模型在海鲜质量分类任务上表现出色。在测试集上，模型整体准确率达到87%。具体到各个质量类别，'良好'和'差'类别的F1分数分别高达0.90和0.92，表明模型在识别明确的新鲜和腐败案例上非常可靠。'中等'类别的F1分数为0.78，其误分类主要源于定义该类别的环境条件（如5-7°C的温度）本身与相邻类别阈值存在重叠的过渡区特性。
- •
与集中式基线的比较：作为性能参考上界，在集中式全量数据上训练的随机森林（RF）模型取得了91%的准确率。TrustFish的联邦学习方法在性能上仅有4%的微小差距，但换来了无需集中原始传感器数据（节省带宽）、内置数据隐私保护以及与供应链去中心化结构天然契合的巨大优势。
- •
综合与实用意义：TrustFish框架创建了一个质量保障的协同循环。联邦学习模型提供智能的、本地化的质量退化洞察，而区块链则为这些评估提供了不可篡改的可信记录。例如，当零售商节点的联邦学习模型预测某产品品质从“良好”降至“中等”时，该事件及相关环境数据将被永久记录在区块链上，为所有利益相关方提供可验证的审计追踪。消费者扫描产品二维码即可获取完整历史，极大地促进了透明度和信任。对于监管机构，该系统能在污染事件发生时实现快速、准确的根源分析。
结论与讨论部分指出，TrustFish框架成功地将联邦学习与区块链等前沿技术相结合，为应对海鲜供应链的挑战提供了一个安全、可信的管理平台。该框架通过物联网设备监控海鲜安全与质量，在实现隐私保护数据共享和信任管理的同时，有效降低了污染、浪费和海鲜欺诈风险。它不仅增强了海鲜行业的标准，也通过确保向消费者提供安全、高质量的 seafood 产品，改善了公共健康成果。然而，研究也指出了当前基于合成数据的局限性、未考虑更多环境参数（如震动、气体成分）以及大规模部署的待验证性。未来的工作将包括与行业伙伴合作进行实际部署验证、融合多模态传感器数据、优化大规模可扩展性以及细化隐私与效用的权衡分析。总体而言，TrustFish 为海鲜供应链在工业5.0时代的转型升级，奠定了一个透明、高效且安全的系统性基础。
