基于区块链和联邦学习的模型共建方法、装置及设备制造方法及图纸

本申请公开一种基于区块链和联邦学习的模型共建方法、装置及设备，涉及区块链技术领域，可解决边缘设备通信资源消耗大的技术问题。包括：在区块链中筛选一个边缘服务器节点作为聚合节点，并利用聚合节点在其下属的边缘设备节点中筛选预设数量个训练节点；在训练节点上基于预设机器学习算法训练本地模型，并在本地模型训练完成后提取第一模型参数；按照预设数据量化压缩规则对第一模型参数进行压缩处理，并将压缩处理后的第一模型参数上传至聚合节点；利用聚合节点对压缩处理后的第一模型参数进行解码以及聚合处理，得到第二模型参数；将第二模型参数发送至训练节点，以利用第二模型参数继续迭代训练本地模型，直至实现各个训练节点间的模型共建。个训练节点间的模型共建。个训练节点间的模型共建。

【技术实现步骤摘要】
基于区块链和联邦学习的模型共建方法、装置及设备


[0001]本申请涉及区块链
，尤其涉及到一种基于区块链和联邦学习的模型共建方法、装置及设备。

技术介绍

[0002]由于物联网的普及化，边缘设备的数量显著增加，导致了无线网络下的边缘设备产生大量的数据。这些数据处理和分析需要机器学习算法。传统的机器学习算法需要一个中央控制器来收集一定数量的数据进行模型训练。出于隐私方面的考虑，边缘设备可能不愿意分享本地数据。因此，可以通过一种创新的分布式机器学习算法，即联邦学习解决这一挑战。
[0003]在联邦学习中，边缘设备根据本地数据集训练本地模型。然后，更新之后的本地模型被上传到中心服务器进行模型聚合。然而由于无线资源有限，边缘设备数量庞大，对边缘设备的调度要求很高，且边缘计算场景下边缘设备带宽资源差，导致通信资源受限，无法支撑共建模型阶段服务器与边缘设备之间的数据传输量，进而不能有效支持执行高频次交互的计算任务。

技术实现思路

[0004]有鉴于此，本申请提供了一种基于区块链和联邦学习的模型共建方法、装置及设备，可解决在联邦本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链和联邦学习的模型共建方法，其特征在于，包括：基于可验证随机函数在区块链中随机筛选一个边缘服务器节点作为聚合节点，并利用所述聚合节点在其下属的边缘设备节点中筛选预设数量个作为训练节点；在所述训练节点上分别基于预设机器学习算法训练本地模型，并在所述本地模型训练完成后提取第一模型参数；按照预设数据量化压缩规则对所述第一模型参数进行压缩处理，并将压缩处理后的第一模型参数上传至所述聚合节点；利用所述聚合节点对所述压缩处理后的第一模型参数进行解码以及聚合处理，得到第二模型参数；将所述第二模型参数发送至所述训练节点，以利用所述第二模型参数继续迭代训练所述本地模型，直至实现各个训练节点间的模型共建。2.根据权利要求1所述的方法，其特征在于，所述按照预设数据量化压缩规则对所述第一模型参数进行压缩处理，包括：将所述第一模型参数转化为参数特征向量，并提取所述参数特征向量各个特征维度下的参数子特征向量；确定所述参数子特征向量所属的预设向量区间，并依据所述预设向量区间对应的向量转化规则对所述参数子特征向量进行向量转化处理；所述将压缩处理后的第一模型参数上传至所述聚合节点，包括：若判定各个所述参数子特征向量均完成所述向量转化处理，则判定所述第一模型参数压缩处理完成，将压缩处理完成的第一模型参数上传至所述聚合节点。3.根据权利要求2所述的方法，其特征在于，所述预设向量区间至少包括第一预设向量区间、第二预设向量区间以及第三预设向量区间；所述确定所述参数子特征向量所属的预设向量区间，并依据所述预设向量区间对应的向量转化规则对所述参数子特征向量进行向量转化处理，包括：若确定所述参数子特征向量所属于所述第一预设向量区间，则按照第一向量转化规则将所述参数子特征向量内的数值映射为0；若确定所述参数子特征向量所属于所述第二预设向量区间，则按照第二向量转化规则将所述参数子特征向量内的数值映射为均值矩阵的行列位置，并配置解码矩阵；若确定所述参数子特征向量所属于所述第三预设向量区间，则按照第三向量转化规则将所述参数子特征向量内的数值映射为截断小数位的整数值。4.根据权利要求3所述的方法，其特征在于，所述若确定所述参数子特征向量所属于所述第二预设向量区间，则按照第二向量转化规则将所述参数子特征向量内的数值映射为均值矩阵的行列位置，并配置解码矩阵，包括：若确定所述参数子特征向量所属于所述第二预设向量区间，则提取所述参数子特征向量在所述第二预设向量区间中所属的子向量区间；按照所述参数子特征向量所属的子向量区间，将所述参数子特征向量内的数值...

【专利技术属性】
技术研发人员：焦锋，温志龙，王旭蕾，
申请(专利权)人：海南火链科技有限公司，
类型：发明
国别省市：