Technologie de partage sécurisé d’informations de la chaîne d’approvisionnement basée sur un algorithme de consensus blockchain et l’apprentissage fédéré

Pourquoi le partage sécurisé dans les chaînes d’approvisionnement est important

Les chaînes d’approvisionnement modernes reposent sur un partage rapide de l’information entre usines, entrepôts et entreprises de transport. Mais à mesure que davantage d’informations circulent en ligne, les risques de fuites, de fraude et de falsification augmentent. Cette étude explore une nouvelle manière pour de nombreuses entreprises de partager des données sensibles rapidement tout en préservant leur confidentialité et leur fiabilité, en s’appuyant sur des concepts de registres numériques et d’apprentissage machine partagé.

Le problème de la confiance et de la confidentialité

Les chaînes d’approvisionnement couvrent de nombreuses entreprises indépendantes qui doivent souvent coopérer sans se faire entièrement confiance. Aujourd’hui, des informations comme les commandes, les niveaux d’inventaire et les enregistrements d’expédition sont généralement stockées dans des systèmes centraux. Ces systèmes peuvent devenir des points de défaillance uniques, et des employés internes ou des pirates peuvent copier ou altérer les enregistrements. Le chiffrement traditionnel protège les données pendant la transmission, mais une fois déchiffrées il devient difficile de les utiliser pour une analyse conjointe sans exposer des secrets. Le défi est de permettre aux partenaires d’apprendre les uns des autres sans révéler les détails bruts.

Un registre partagé qui choisit des leaders de façon équitable

Les auteurs s’appuient sur la blockchain, un registre partagé que plusieurs ordinateurs maintiennent ensemble de sorte qu’aucune partie unique ne contrôle les enregistrements. Ils adaptent une méthode de coordination connue, qui choisit un ordinateur comme leader pour collecter et confirmer les mises à jour, mais la renforcent par une loterie vérifiable. Chaque nœud utilise sa clé secrète et une valeur aléatoire pour générer un minuteur que les autres peuvent vérifier, rendant difficile pour un nœud malhonnête de tricher pour obtenir la direction. Les nœuds sont groupés en zones avec de petits comités, ce qui réduit la consommation d’énergie et accélère l’accord sur les nouvelles entrées. Des contrôles de santé surveillent en permanence les nœuds défaillants ou malveillants et les replacent automatiquement dans un rôle moins fiable.

Apprendre ensemble sans partager les données brutes

Au-dessus de ce registre, l’étude construit un système d’apprentissage respectueux de la vie privée. Plutôt que de regrouper tous les enregistrements en un seul endroit, les entreprises conservent leurs données localement et entraînent un modèle partagé conjointement. Un nœud maître particulier et un petit comité aident à coordonner l’entraînement, mais ils ne voient jamais de données non protégées. Avant de combiner les enregistrements, le système identifie les clients ou les envois correspondants entre partenaires en utilisant des fonctions aléatoires astucieuses et une méthode de compactage appelée cuckoo hashing. Cet appariement révèle uniquement quelles entrées correspondent, pas le contenu complet, et maintient une faible surcharge de communication même lorsque de nombreux nœuds rejoignent le réseau.

Verrouiller les calculs avec un chiffrement intelligent

Pendant l’entraînement, le nœud maître crée une paire de clés de chiffrement et ne communique que la clé publique aux participants. Ils chiffrent leurs résultats intermédiaires de sorte que des additions et d’autres opérations puissent être effectuées tandis que les données restent verrouillées. Des fragments de la clé secrète sont répartis entre plusieurs nœuds du comité, de sorte que si le maître échoue, un autre nœud peut récupérer la clé conjointement, sans qu’aucune partie unique ne détienne le pouvoir total. Des astuces supplémentaires, comme l’ajout de bruit contrôlé aux étiquettes et la vérification des comportements étranges dans les mises à jour, aident à défendre contre l’usurpation d’identité, la falsification des données et les tentatives de reconstruction des enregistrements privés à partir du modèle.

Ce que montrent les expériences en pratique

Les chercheurs testent leur conception dans un réseau simulé de dizaines de nœuds et avec des données de type chaîne d’approvisionnement réelles provenant de deux entreprises. Leur méthode améliorée d’élection de leader atteint des décisions plus rapidement que deux alternatives courantes, avec des délais plus faibles et un débit plus élevé même à mesure que le nombre de nœuds augmente. Le modèle d’apprentissage amélioré obtient une plus grande précision avec moins de tours d’entraînement et s’exécute plusieurs fois plus vite qu’une configuration standard. Dans des tests de partage en conditions réelles, la méthode produit des données générées correspondant aux enregistrements originaux avec environ 92 % de précision, détecte près de 99 % des tentatives de falsification et rend les violations de confidentialité extrêmement rares, tout en répondant en environ une seconde en moyenne.

Ce que cela signifie pour les chaînes d’approvisionnement réelles

Pour les non-spécialistes, le message clé est qu’il devient plus réaliste pour des entreprises concurrentes et coopérantes d’apprendre à partir de données partagées sans les confier à un opérateur unique de confiance. En combinant un registre partagé avec un apprentissage respectueux de la vie privée et une gestion prudente des clés, cette approche permet aux entreprises de détecter rapidement erreurs et fraudes, d’échanger des insights utiles et de garder les détails sensibles des activités hors de vue. En termes concrets, elle ouvre la voie à des chaînes d’approvisionnement où l’information peut circuler librement mais en sécurité, avec des traces claires de qui a fait quoi et quand.

Citation: Xu, D., Li, J. & Ren, Z. Supply chain information security sharing technology based on blockchain consensus algorithm and federated learning. Sci Rep 16, 16175 (2026). https://doi.org/10.1038/s41598-026-46101-z

Mots-clés: blockchain, apprentissage fédéré, chaîne d’approvisionnement, sécurité de l’information, partage de données