一种基于区块链的可信联邦学习方法、系统、装置及介质制造方法及图纸

本发明专利技术公开了一种基于区块链的可信联邦学习方法、系统、装置及介质，方法包括：在区块链中选取客户节点组成初始委员会，确定初始共享全局模型；通过区块链中各个客户节点对所述初始共享全局模型进行训练，得到各个客户节点的本地模型更新信息；根据各个客户节点的本地模型更新信息，由所述初始委员会生成目标全局模型；通过动态多权重信誉模型确定目标委员会，开始新一轮训练，直至得到满足收敛要求的目标全局模型。本发明专利技术运用区块链技术去除了中心服务器，使得分布式客户端节点分散存储，提高了隐私数据的安全性，可广泛应用于区块链技术领域。

【技术实现步骤摘要】
一种基于区块链的可信联邦学习方法、系统、装置及介质
本专利技术涉及区块链
，尤其是一种基于区块链的可信联邦学习方法、系统、装置及介质。
技术介绍
随着人工智能(AI)的飞速发展，各类手机应用为移动用户带来了出色的客户体验。但是，大多数AI技术需要大量的用户数据和个人隐私信息于中央服务器进行模型训练，从而导致过多不适用于移动设备的计算产生。另外，移动设备还面临严重的隐私泄露风险。Google首先提出了联邦学习来解决协同计算下的隐私问题。传统的联邦学习由参与设备和中央服务器组成，参与设备不上传私有数据而只是迭代地将本地模型更新发送到中央服务器，中央服务器汇总各参与设备模型更新以聚合生成全局模型。尽管有上述巨大的好处，联邦学习仍然面临一些关键挑战。例如，集中式服务器可以使全局通过偏爱某些参与设备来建模，从而使整个制度不公平。此外，某些恶意中央服务器可能会破坏模型甚至收集设备更新中的隐私数据，安全性不高。
技术实现思路
有鉴于此，本专利技术实施例提供一种安全性高的基于区块链的可信联邦学习方法、系统、装置及介质。本文档来自技高网...

【技术保护点】
1.一种基于区块链的可信联邦学习方法，其特征在于，包括：/n在区块链中选取客户节点组成初始委员会，确定初始共享全局模型；/n通过区块链中各个客户节点对所述初始共享全局模型进行训练，得到各个客户节点的本地模型更新信息；/n根据各个客户节点的本地模型更新信息，由所述初始委员会生成目标全局模型；/n通过动态多权重信誉模型确定目标委员会，开始新一轮训练，直至得到满足收敛要求的目标全局模型。/n

【技术特征摘要】
1.一种基于区块链的可信联邦学习方法，其特征在于，包括：
在区块链中选取客户节点组成初始委员会，确定初始共享全局模型；
通过区块链中各个客户节点对所述初始共享全局模型进行训练，得到各个客户节点的本地模型更新信息；
根据各个客户节点的本地模型更新信息，由所述初始委员会生成目标全局模型；
通过动态多权重信誉模型确定目标委员会，开始新一轮训练，直至得到满足收敛要求的目标全局模型。


2.根据权利要求1所述的一种基于区块链的可信联邦学习方法，其特征在于，所述在区块链中选取客户节点组成初始委员会，确定初始共享全局模型，包括：
确定目标比例；
从所述区块链中选取目标比例的客户节点组成初始委员会；
通过所述初始委员会随机确定初始共享全局模型；
将所述初始共享全局模型进行全网广播。


3.根据权利要求1所述的一种基于区块链的可信联邦学习方法，其特征在于，所述根据各个客户节点的本地模型更新信息，由所述初始委员会生成目标全局模型，包括：
所述初始委员会对各个客户节点的本地模型更新信息进行审核验证；
记录通过审核验证的本地模型更新信息；
将所述通过审核验证的本地模型更新信息聚合生成目标全局模型；
将所述目标全局模型上传至区块链。


4.根据权利要求1所述的一种基于区块链的可信联邦学习方法，其特征在于，所述通过动态多权重信誉模型确定目标委员会，包括：
将区块链中的客户节点划分为初始委员会和工作者；
计算所述初始委员会与所述工作者之间的互动效应值；
计算所述初始委员会与所述工作者之间的互动新鲜度；
计算各个客户节点的本地模型更新信息的验证分数；
根据所述互动效应值、互动新鲜度和验证分数，生成新的目标委员会和可信工作者。


5.根据权利要求4所述的一种基于区块链的可信联邦学习方法，其特征在于，所述计算所述初始委员会与所述工作者之间的互动效应值，包括：
确定所述工...

【专利技术属性】
技术研发人员：朱佳，马晓东，黄晋，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东;44