时间序列分类是时间序列分析的基础。然而，现有的时间序列分类方法对应的形态特征并不能作为分类依据，且通道间的特征通过图上的单一权重刻画不够准确，导致分类精度不高。因此，提出一种融合衍生特征的时间序列事件分类方法（TSEC-FDF）。首先，在时间序列上构建时间序列事件集合后，根据每个时间序列事件构建突变图、协同图、启发图，以减少噪声对高维特征的干扰；其次，融合多图的特征作为衍生特征，并抽取时间序列事件的多个时间级别的特征；最后，提出一种融合衍生特征的多图卷积分类模型级联时间序列和图特征作为时间序列事件的高维特征。实验结果表明，与TF-C（Time-Frequency Consistency）和BiLSTM+隐马尔可夫模型（Bi-directional Long Short-Term Memory-Hidden Markov Model， BL-HMM）方法相比，TSEC-FDF在4个真实数据集上的准确率、精确率、查全率、F1值、AUROC（Area Under the Receiver Operating Characteristic curve）以及AUPRC（Area Under the Precision versus Recall Curve）至少提升了3.2%、4.7%、7.8%、6.3%、0.9%和2.2%。

针对现有联邦学习模型中存在的本地设备模型梯度泄露、中心化服务器设备可随意退出、全局模型无法抵御恶意用户攻击等问题，提出面向联邦学习的随机验证区块链构建及隐私保护方法。首先，引入可验证哈希函数以随机选举区块链的领导节点，确保节点出块的公平性；其次，设计了验证节点的交叉检测机制防御恶意节点的攻击；最后，基于差分隐私技术训练区块链节点，根据节点对模型的贡献程度构建激励规则进行节点激励，提高联邦学习模型的训练准确率。实验结果表明，所提方法在20%恶意节点的情况下，对于恶意节点的投毒攻击能够达到80%的准确率，相较于Google FL提升了61个百分点，而所提方法在噪声方差为10^-3时梯度匹配损失比Google FL提升了14个百分点。可见，相较于Google FL等联邦学习方法，所提方法在提升模型的安全性前提下能够保证良好的精确度，具有更好的安全性和鲁棒性。

区块链具有去中心化、不可篡改、可追溯等特征。现有的联盟链系统在数据上链后会全程留痕，当出现敏感信息或恶意数据时无法处理，或处理后区块链分叉、中断。针对这些问题，提出一种基于变色龙哈希和可验证秘密共享的联盟链数据修改方法。首先，把变色龙哈希的陷门再分配给身份节点，从而将发起修改者与实际修改者进行隔离；其次，为保证再分配值的正确性，将不同时间周期变色龙哈希所对应的数据设为可验证数据，用验证节点上传承诺到可验证数据，并用提案节点通过承诺验证秘密共享值；最后，为防止节点作恶，提出基于奖励金机制的数据纠正方法提高节点纠正作恶的积极性，降低作恶的可能。在中山大学区块链与智能金融研究中心InPlusLab开发的DApps数据集上进行实验的结果表明：当恶意节点数30个时，所提方法相较于用传统变色龙哈希修改联盟链数据的方法在处理恶意节点的效率方面提高了44.1%；当恶意数据量达到30条时，在处理恶意数据的时间上缩短了53.7%。

时空数据作为一种同时具有时间维度及空间维度的数据类型，被广泛应用于供应链管理、电子商务等领域，它的完整性及安全性在实际应用中具有重要意义。针对目前时空数据集中式存储方式存在数据不透明且易被篡改的问题，将区块链技术的去中心化、防篡改、可追溯等特性与时空数据管理相结合，提出面向时空数据的区块链构建及查询方法。首先，提出一种基于改进图型区块链（Block?DAG）的时空数据区块链架构ST_Block?DAG；其次，为了提升时空数据的存储及查询效率，在ST_Block?DAG区块链内部采取基于四叉树及单链表的结构存储时空数据；最后，在ST?Block?DAG存储结构基础上实现了多种时空数据查询算法，如单值查询、范围查询等。实验结果表明，与STBitcoin、Block?DAG以及STEth相比，ST_Block?DAG的时空数据处理效率提升了70%以上，时空数据综合查询性能提升了60%以上。所提方法能够实现时空数据的快速存储及查询，可以有效支持时空数据的管理。