一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法技术

一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，首先计算边缘节点的参数质量和声誉，进行边缘节点选择；其次，边缘服务器给选择的边缘节点发布初始模型，边缘节点利用本地数据集来进行本地训练；然后，边缘服务器通过使用从边缘节点收集的本地训练数据参数来更新全局模型，在每次迭代中训练全局模型，并更新声誉和质量度量；最后，利用联盟区块链作为一种分散的方法，在不否认和篡改的情况下实现对工人的有效声誉和质量管理。此外，本发明专利技术还将信誉共识机制引入到区块链中，使得区块链中记录的边缘节点也更加高质量，提高整体模型效果。本发明专利技术使海洋物联网边缘计算框架具有更高效的数据处理以及更安全的数据保护能力。更安全的数据保护能力。更安全的数据保护能力。

【技术实现步骤摘要】
一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法


[0001]本专利技术属于边缘计算
，特别涉及一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法。

技术介绍

[0002]近年来，区块链凭借其匿名性、不篡改性和分布性的特点，为多个不可信方之间的边缘计算提供了安全可靠的解决方案，成为了边缘计算领域的一个新的研究热点。同时，联邦学习技术作为近年来新兴的在数据处理方面有强大功能的技术，凭借其分布式、局部计算等特点，更适合与区块链集成应用于边缘计算领域。区块链结合联邦学习技术在边缘计算中具体应用为：使用联邦学习技术利用物联网边缘节点(例如移动设备)的分布式个性化数据集来进行本地训练，同时为边缘节点提供隐私保护，边缘服务器通过使用从边缘节点收集的本地训练数据参数来更新全局模型，在每次迭代中训练全局模型；然后，引入声誉和参数质量的对边缘节点的可信度进行度量，以选择可靠高质量的联邦学习任务工，使用区块链技术在不否认和篡改的情况下实现对工人的有效声誉和质量管理。本专利技术主要针对海洋物联网场景，在该场景中，物联网边缘节点具有更少的能量，以及更大的移动性，需要联邦学习提高计算效率，区块链提高可靠性，来进行安全的数据共享。
[0003]2020年，Yunlong Lu等人在论文《Blockchain and Federated Learning forPrivacy-preserved Data Sharing in Industrial IoT》中提出一种区块链授权的安全数据共享体系结构，将数据共享问题与机器学习问题相结合，通过共享数据模型而不是揭示实际数据，很好地维护了数据的隐私，并将联邦学习集成在许可区块链中。此方案将联邦学习模型和参数传递过程通过区块链进行存储共享，保证了共享过程的安全性。但是，并未考虑联邦学习工人选择问题，可能有低质量或恶意节点参与到联邦学习中，浪费资源整合，影响模型整体聚合。Jiawen Kang等人在论文《Reliable Federated Learning forMobile Networks》提出了一种基于声誉作为一个可靠的度量来选择可信的工人进行可联邦学习的方案，使用多权重主观逻辑模型根据任务发布者的交互历史和推荐的声誉意见，设计了一种高效的声誉计算方案，并将声誉使用部署在边缘节点上的区块链进行管理。但是，该方法仅仅考虑了边缘节点的信誉问题，并未考虑节点的参数质量。
[0004]综上所述，基于联邦学习和区块链技术的数据安全共享技术主要有如下缺陷：(1)没有考虑高效的联邦学习工人筛选方案，即同时考虑信誉和参数质量。(2)没有考虑服务器在添加区块链时适合的共识机制。(3)现有的方法对于复杂的海洋环境可能并不适合。

技术实现思路

[0005]本专利技术的目的是提出一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，以解决上述技术问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，步骤如下：
[0008](1)发起联邦学习，主要包括以下4个步骤：
[0009](1.1)任务发布：来自任务发布者的联邦学习任务首先以特定的数据需求(例如数据大小、类型和时间范围)进行广播，满足特定的数据要求的边缘节点加入一个任务，将一个连接请求与身份和数据资源信息返回到一个任务发布者。
[0010](1.2)计算候选人的声誉及参数质量：任务发布者根据资源信息选择合格的工人候选人。然后，任务发布者根据来自交互历史的本地声誉意见和推荐声誉意见，以权重主观逻辑模型来计算工人候选人的声誉值。推荐声誉意见存储和管理在开放访问声誉区块链上。声誉区块链是将工人候选人的声誉意见记录到数据块中的公共分类账。对于每个工人候选人，任务发布者首先从区块链下载最新的推荐声誉意见，然后将其本地声誉意见与推荐的声誉意见相结合，生成一个综合值作为每个工人的最终声誉。
[0011]如果发布者认为来自工作人员j的本地模型更新是可靠的，任务发布者i将训练迭代视为一个正交互事件，反之亦然。任务发布者记录所有工人在学习任务的积极和消极互动事件的数量，即α
j
和β
j
，并为工人产生声誉意见。每个声誉意见被表示为一个意见向量，由信任度b
i
→
j
、不信任度d
i
→
j
和不确定性度u
i
→
j
组成，不确定性程度取决于工人j与任务发布者i之间通信链路的质量，即数据包传输的不成功概率。信任(不信任)度用所有具有良好沟通质量的交互作用的正(负)交互百分比表示，为：
[0012][0013]从意见向量生成一个信誉值，以表示工人的信誉，信誉值表示为：
[0014]T
i
→
j
＝b
i
→
j
+γu
i
→
j
[0015]其中γ是给定的常数，表示声誉不确定性的影响水平。
[0016]任务发布者根据交互历史，计算工人训练得到的参数对总体模型参数的贡献，C
i
表示最终模型的第i个参数，表示工人j每次迭代上传的第i个参数。为迭代过程中工人j对第i个参数的每次迭代的差距平方和，计算如下：
[0017][0018]设参数个数为n，则工人j的总贡献H
j
为
[0019][0020]工人的贡献越大，则参数质量越高。
[0021](1.3)工人选择：经信誉计算，信誉大于一个阈值的候选人可入选，然后以优先声誉值，参数质量值次之从工人候选人中挑选其需要个数的工人。信誉值超过阈值且参数质量值更高的工人候选人可以被选择为工人。
[0022](1.4)进行联邦学习：任务发布者向工人发布共享的全局模型，每个工人通过其本
地数据对模型进行训练。然后，上传新的模型参数(即本地模型更新)到任务发布者以更新全局模型。
[0023]联邦学习任务可以通过不同的优化算法来训练，如SGD。具体步骤：从预定义范围中随机选择工人共享全局模型，收到此模型后，工人可以通过自己的本地数据进行协作训练，并将其本地模型更新上传到任务发布者。为了评估本地模型更新的可靠性，任务发布者通过攻击检测方案对本地模型更新进行质量评估，例如，独立和同分布(IID)数据场景下的拒绝负影响(RONI)方案和非IID数据场景下的FoolsGold方案，以识别中毒攻击和不可靠的工作人员。
[0024]RONI是一种典型的中毒攻击检测方案，它通过比较任务发布中预定义数据库上的本地模型更新的效果来验证本地模型更新。如果数据集上的本地模型更新的性能下降超过系统给出的指定阈值，则在集成所有本地模型更新时，此本地模型更新将被拒绝。
[0025]Fools Gold方案根据非IID联邦学习中局部模型更新的梯度更新多样性来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法，步骤如下：(1)发起联邦学习(1.1)任务发布：来自任务发布者的联邦学习任务首先以特定的数据需求进行广播，满足特定的数据要求的边缘节点加入一个任务，将一个连接请求与身份和数据资源信息返回到一个任务发布者；(1.2)计算候选人的声誉及参数质量：任务发布者根据资源信息选择合格的工作人员候选人；然后，任务发布者根据来自交互历史的本地声誉意见和推荐声誉意见，以权重主观逻辑模型来计算工作人员候选人的声誉值；推荐声誉意见存储和管理在开放访问声誉区块链上；声誉区块链是将工作人员候选人的声誉意见记录到数据块中的公共分类账；对于每个工作人员候选人，任务发布者首先从声誉区块链下载最新的推荐声誉意见，然后将其本地声誉意见与推荐的声誉意见相结合，生成一个综合值作为每个工作人员的最终声誉；如果任务发布者认为来自工作人员j的本地模型更新是可靠的，任务发布者i将训练迭代视为一个正交互事件，反之亦然；任务发布者记录所有工作人员在学习任务的积极和消极互动事件的数量，即α
j
和β
j
，并为工作人员产生声誉意见；每个声誉意见被表示为一个意见向量，由信任度b
i
→
j
、不信任度d
i
→
j
和不确定性度u
i
→
j
组成，不确定性程度取决于工作人员j与任务发布者i之间通信链路的质量，即数据包传输的不成功概率；信任度/不信任度用所有具有良好沟通质量的交互作用的正/负交互百分比表示，为：从意见向量生成一个信誉值，以表示工作人员的信誉，信誉值表示为：T
i
→
j
＝b
i
→
j
+γu
i
→
j
其中，γ是给定的常数，表示声誉不确定性的影响水平；任务发布者根据交互历史，计算工作人员训练得到的参数对总体模型参数的贡献，C
i
表示最终模型的第i个参数，表示工作人员j每次迭代上传的第i个参数；为迭代过程中工作人员j对第i个参数的每次迭代的差距平方和，计算如下：设参数个数为n，则工作人员j的总贡献H
j
为工作人员的贡献越大，则参数质量越高；(1.3)工作人员选择：经信誉计算，信誉大于一个阈值的候选人可入选，然后以优先声誉值，参数质量值次之从工作人员候选人中挑选其需要个数的工作人员；信誉值超过阈值且参数质量值更高的工作人员候选人被选择为工作人员；(1.4)进行联邦学习：任务发布者向工作人员发布共享的全局模型，每个工作人员通过
其本地数据对全局模型进行训练；然后，上传新的模型参数即本地模型更新到任务发布者以更新全局模型；联邦学习任务通过不同的优化算法来训练，具体步骤：从预定义范围中随机选择工作人员共享全局模型，收到此模型后，工作人员通过自己的本地数据进行协作训练，并将其本地模型更新上传到任务发布者；为了评估本地模型更新的可靠性，任务发布者通过攻击检测方案对本地模型更新进行质量评估；RONI是一种中毒攻击检测方案，它通过比较任务发布中预定义数据库上的本地模型更新的效果来验证本地模型更新；如果数据集上的本地模型...

【专利技术属性】
技术研发人员：覃振权，叶晋，朱明，卢炳先，王雷，王治国，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：