随着云计算、移动互联网、物联网、区块链和人工智能等信息技术的融合发展，聚集了各类应用中聚集了海量的多源数据资源，这些数据对于科学研究、精准医疗、政府决策、商业管理、经济预测和管理等多个领域都具有重大应用价值。因此，多源数据的安全融合与可信流转成为关键性需求。区块链技术可用于提供去中心化的共信机制，受到了研究者的青睐，但应用于多源数据环境下存在环境动态开放性、数据多样异构性、共识延时长、数据交换频繁追责难等多种挑战，我们针对这些问题开展研究，取得如下关键技术突破：
1. 围绕区块链关键技术中存在的共识延迟长、存储压力大、扩展性不足等问题，提出了一种分片的安全快速共识协议，通过基于行为激励和可监督的RAFT共识协议，能够在提高事务速率和容错能力的同时降低了业务复杂度。围绕区块链共识协议难以适应物联网动态异构性的困境，提出一种基于多智能体深度强化学习的实用拜占庭共识协议（PBFT）动态自适应框架。
2. 针对物联网中计算的协同性、环境的动态开放性、数据的追责难等问题，围绕数据隐私与系统性能之间的冲突问题，提出一种基于区块链的多服务器隐私边缘外包计算框架和基于区块链的可追踪物联网数据多方共享模型，可支持物联网设备通过可信执行环境支持的链下智能合约从多个边缘服务器中精准识别和问责恶意边缘服务器，实现数据的安全共享和授权访问。
3. 针对物联网中边缘缓存中的空间和成本限制，提高缓存的利用率，提出一种集成门控循环单元（GRU）网络和深度强化学习（DRL）技术的方案，通过采用GRU网络分别捕获预测内容受欢迎程度和区域车辆数量的动态变化，将缓存分配优化问题建模为MDP模型，设计了深度确定性策略梯度（DDPG）算法来进一步优化缓存分配策略。
4. 进一步将多源数据隐私处理和区块链技术用于涉及多源数据的跨域场景，围绕跨域推荐中精准、安全和可信之间的冲突，提出基于区块链的可信跨域推荐方法，并首次提出多特征知识图(MuKG)实现多源异构数据的统一安全表示，同时设计区块链结合联邦框架实现分布式学习的共同信任机制，利用区块链的可追溯性保证数据的可信性，从不同视角实现了多源数据安全融合和可信共享过程中数据流转的质量保证，体现出良好的应用前景。
5. 针对频繁情节挖掘、深度学习、集成学习等方法中存在的隐私泄露问题，提出基于差分隐私的频繁情节的挖掘方法和基于调整偏差的差分隐私子空间近似算法来保护其训练数据，同时根据模型滤波器对输出响应的不同贡献，利用特征值的占比设计隐私预算分配；为使图神经网络具有更好地适应性，提出了对抗信息补全的图神经网络AIC-GNN以处理低度节点，创新的引入了图信息生成器和图嵌入鉴别器，分别用于自适应拟合节点缺失信息的分布和区分具有理想信息的节点嵌入和经过信息补全的节点嵌入；同时通过生成器和鉴别器之间的对抗训练增强了整个模型的表示能力，同时还采用双重节点嵌入对齐机制来指导生成高质量的缺失信息。
相关技术已被集成应用于基于区块链的公共溯源平台，用于支撑产品上链溯源、可信数据服务与验证等功能，并在不影响溯源业务开展的情况下，实现单点登录、统一管理，扩充OnePark平台功能，助力构建数字孪生信息综合体。目前该平台已在甘肃、重庆、福建、广西、广东等多个省份形成规模化应用，上链溯源产品数量累计50余种，形成社会经济效益5000万以上。部分技术已经申请发明专利并进行成果转化，专利转化金额60万余元。