随着物联网、区块链、5G、大数据和人工智能技术的快速发展,大规模的智能设备接入物联网中,产生了海量的物联网数据。基于物联网、区块链、密码学等技术,能够对海量数据进行采集、存储、分析及挖掘,加快物联网设备走向智能化进程,提升用户体验。然而,大量的物联网数据由数据持有者独立享有,采用中心化服务器对数据进行管理,形成了数据孤岛。同时,物联网设备资源的有限性,进一步阻碍了数据潜在价值的实现。为了解决物联网中持续增长的大规模数据管理与资源有限的物联网设备之间的矛盾,安全高效的数据共享机制是问题解决的有效手段。但现有的大多数数据共享机制采用中心服务器（如云存储）对共享数据进行管理,在进行数据共享的过程中,存在诸如数据篡改、非法访问及隐私泄露等问题。另外,共享数据存储在中心服务器中,可能面临单点故障的风险。大规模数据共享后,又会面临数据检索复杂度高、搜索效率低等问题,亟需一种高效安全的方式实现数据的快速获取。本文深入分析物联网数据共享时面临的关键问题,提出面向“云-边-端”的数据共享机制,充分发挥区块链、边缘计算与云计算的优势,实现高效安全的数据共享,打破数据壁垒,实现数据潜在价值,保障数据安全。本文的研究内容和创新点简述如下:1.提出了基于“云-边-端”的工业物联网数据共享架构针对大规模数据共享时存在的数据孤岛、隐私泄露、数据安全等问题,提出了基于“云-边-端”的工业物联网数据共享架构。首先,基于边缘服务器在网络边缘搭建了边缘区块链,促进了物联网设备之间快速进行信息传递、交换,实现了数据的高效流转;采用密码学技术对共享数据进行加密,并存储到云服务器中,保证了数据机密性。区块链融合边缘计算、云计算,弥补了区块链存储性能的不足,保证了数据不可篡改性;提出了一套适用于工业物联网场景的无证书数字签名方案,实现了数据的不可伪造性、可靠性。基于局部敏感哈希算法对共享数据进行获取,提高了共享数据检索速度,提升了用户体验。与现有方法相对比,基于“云-边-端”的工业物联网数据共享架构能够快速传输、存储、共享、获取数据,抵御恶意攻击,从而实现安全高效的物联网数据共享。2.提出了基于区块链和联邦学习的“端-端”数据共享机制针对数据进行云存储时涉及的数据泄露、隐私等问题,提出了基于区块链和联邦学习的“端-端”数据共享机制,分别实现了不同领域参与者间和企业内部的数据共享。对于不同领域参与者间的数据共享,参与方将原始共享数据在本地进行协同训练,最终获得的全局模型存储到区块链中,基于区块链中的共享模型进行数据预测,实现了数据价值传递。对于企业内部的数据共享,采用零知识证明实现匿名数据共享,保护用户隐私。为了避免匿名用户非法操作,参与者的操作行为均记录到区块链上,快速追踪、定位恶意参与者。利用智能合约进行身份自验证,消除了第三方的影响。与传统机器学习方案相比,本机制可显著提高数据预测准确率。3.提出了基于区块链和IPFS的可信存储与数据搜索机制针对云存储面临的不可信和单点故障问题,提出了基于区块链和IPFS（Interplanetary File System）的可信存储与数据搜索方案。首先,提取数据的特征,计算其权重。结合Simhash技术生成数据对应数字指纹,极大地减少了计算开销。对于云存储的不可信问题,采用区块链技术,基于去中心化的IPFS替代传统的云存储,避免了单点故障问题。利用智能合约,实现了数据搜索功能。基于抽屉原理,对数字指纹进行分块处理,提高了数据检索速度。区块链与IPFS的运用,一定程度上消除了第三方的影响,为数据存储与搜索提供了具有重要价值的参考方案。4.提出了面向云共享数据的社交物联网服务推荐机制针对社交物联网服务推荐中存在的隐私泄露及效率问题,提出了面向云共享数据的社交物联网服务推荐机制。考虑物联网智能设备的资源有限性,利用局部敏感哈希森林算法,基于用户历史QoS（Quality of Service）记录信息,为每个用户离线计算局部敏感哈希索引,匹配得到与目标用户“可能相似”邻居。在此基础上,基于协同过虑推荐算法,计算得到与目标用户“真正相似”的邻居。最后,将“真正相似”的邻居调用过而目标用户未调用过的服务推荐给目标用户。通过构建树形索引,提升了检索速度。基于局部敏感哈希索引进行匹配,实现了用户的隐私保护,提高了服务推荐的准确率。与现有推荐方案对比,所提出的机制实现了效率、隐私与准确率的折衷。5.提出了支持数据共享的“云-端”协同服务推荐机制针对服务推荐的效率、数据来源安全及隐私泄露等问题,研究了支持数据共享的“云-端”协同服务推荐机制。为了保证数据来源安全,利用密文属性基策略对共享数据进行加密,采用区块链实现加密数据共享,共享数据将备份到每个区块链节点,避免了单点故障问题,保证了数据完整性。另外,只有满足访问树的用户才能解密共享数据,保证了数据机密性,规避了密钥传输带来的安全问题。平台之间通过区块链进行数据共享,减少了通信开销,保证了数据质量。通过原始局部敏感算法实现数据相似项匹配,加快了相似项匹配速度,提升了用户体验,提高了服务的推荐准确率。与现有方案相比,本机制能够有效保证数据来源安全性,保证推荐准确率。