一种群体学习方法、装置、区块链节点及存储介质制造方法及图纸

本申请提供一种群体学习方法、装置、区块链节点及存储介质，涉及机器学习领域。该方法包括：根据任一区块链节点的第一本地训练数据进行模型训练，得到任一区块链节点上的预设模型的本地参数；将预设模型的本地参数，共享至区块链上的其他区块链节点；从区块链上的参与模型训练的各区块链节点中选举领导节点，使得领导节点对区块链上各区块链节点的本地参数进行合并，得到合并参数；根据合并参数更新预设模型，得到目标模型。本申请提出的一种群体学习方法能提高模型数据以及机器学习模型的安全性。安全性。安全性。

【技术实现步骤摘要】
一种群体学习方法、装置、区块链节点及存储介质


[0001]本申请涉及机器学习
，具体而言，涉及一种群体学习方法、装置、区块链节点及存储介质。

技术介绍

[0002]在机器学习中，本地的训练数据难以训练出准确高效的机器学习模型，常需使用多方数据集进行机器学习模型训练。
[0003]现有技术中，多方数据集可以采用集中或者联邦的方式进行训练。将数据集集中起来进行训练，可以解决数据量的问题，但增加了通信开销和隐私保护合规风险。联邦学习解决了数据集中存在的问题，采用中央参数服务器对梯度信息进行合并和共享，但模型传输、模型安全聚合等过程中可能存在数据投毒、搭便车攻击、数据窃取、成员推理攻击、模型反演攻击、属性推理攻击等典型攻击，模型属性、梯度、参数等面临泄露风险，导致模型数据的安全性较低，机器学习模型易受到攻击。

技术实现思路

[0004]本专利技术的目的在于，针对上述现有技术的不足，提供一种群体学习方法、装置、区块链节点及存储介质，以解决现有技术中模型数据的安全性较低、机器学习模型易受到攻击的问题。
[0005]为实现上述目的，本申请实施例采用的技术方案如下：
[0006]第一方面，本申请实施例提供一种群体学习方法，应用于区块链上的任一区块链节点，该方法包括：
[0007]根据所述任一区块链节点的第一本地训练数据进行模型训练，得到所述任一区块链节点上的预设模型的本地参数；
[0008]将所述预设模型的本地参数，共享至所述区块链上的其他区块链节点；
[0009]从所述区块链上的参与模型训练的各区块链节点中选举领导节点，使得所述领导节点对所述区块链上各区块链节点的本地参数进行合并，得到合并参数；
[0010]根据所述合并参数更新所述预设模型，得到目标模型。
[0011]可选地，所述将所述预设模型的本地参数，共享至所述区块链上的其他区块链节点，包括：
[0012]判断所述预设模型的迭代次数是否达到预设迭代次数阈值；
[0013]若所述迭代次数达到所述预设迭代次数阈值，则确定所述任一区块链节点达到参数共享条件，并将所述预设模型的本地参数，共享至所述区块链上的其他区块链节点。
[0014]可选地，所述从所述区块链上的参与模型训练的各区块链节点中选举领导节点，包括：
[0015]若所述区块链上共享本地参数的区块链节点的数量达到预设的数量阈值，则从所述各区块链节点中选举领导节点。
[0016]可选地，所述根据所述合并参数更新所述预设模型，得到目标模型，包括：
[0017]根据所述合并参数，计算更新后的所述预设模型的第一验证结果；
[0018]若所述验证结果满足所述预设模型的停止训练条件，则确定更新后的所述预设模型为所述目标模型。
[0019]可选地，所述根据所述合并参数更新所述预设模型，得到目标模型，还包括：
[0020]若所述验证指标不满足所述预设模型的停止训练条件，则根据所述第一本地训练数据继续进行模型训练，直至合并更新后的所述预设模型的验证指标达到所述停止训练条件，并确定达到所述停止训练条件时的模型为所述目标模型。
[0021]可选地，采用所述任一区块链节点上的第二本地训练数据，对更新后的所述预设模型进行验证，得到更新后的所述预设模型的第二验证结果；
[0022]将所述第二验证结果写入所述区块链的分布式账本。
[0023]可选地，所述从所述区块链上的参与模型训练的各区块链节点中选举领导节点，使得所述领导节点对所述区块链上各区块链节点的本地参数进行合并，得到合并参数，包括：
[0024]调用所述区块链的第一智能合约，从所述各区块链节点中选举所述领导节点，使得所述领导节点调用所述区块链上的第二智能合约对所述区块链上各区块链节点的本地参数进行合并，得到所述合并参数。
[0025]第二方面，本申请实施例提供一种群体学习装置，包括：
[0026]获取模块，用于根据任一区块链节点的第一本地训练数据进行模型训练，得到所述任一区块链节点上的预设模型的本地参数；
[0027]共享模块，用于将所述预设模型的本地参数，共享至区块链上的其他区块链节点；
[0028]合并模块，用于从所述区块链上的参与模型训练的各区块链节点中选举领导节点，使得所述领导节点对所述区块链上各区块链节点的本地参数进行合并，得到合并参数；
[0029]更新模块，用于根据所述合并参数更新所述预设模型，得到目标模型。
[0030]第三方面，本申请实施例提供一种区块链节点，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面的群体学习方法。
[0031]第四方面，本申请实施例提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现上述第一方面的群体学习方法。
[0032]相对现有技术而言，本申请具有以下有益效果：
[0033]本申请实施例提供一种群体学习方法，根据任一区块链节点的第一本地训练数据进行模型训练，得到任一区块链节点上的预设模型的本地参数，将预设模型的本地参数，共享至区块链上的其他区块链节点，从区块链上的参与模型训练的各区块链节点中选举领导节点，使得领导节点对区块链上各区块链节点的本地参数进行合并，得到合并参数，最后根据合并参数更新预设模型，得到目标模型，相比联邦学习中需由中央服务器聚合处理带来的模型数据安全性的问题，本申请提供的群体学习方法，融合分布式机器学习、区块链以及智能合约技术，动态地选举领导者进行模型参数的共享和合并，使用去中心化数据，无需中央服务器，克服了联邦学习的缺点，模型数据拥有更高的安全性和容错性，能够保护机器学习模型免受攻击，同时，本申请提供的群体学习方法适应分散式数据结构，满足数据隐私保
护和安全法规要求。
附图说明
[0034]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0035]图1为本申请实施例提供的一种群体学习系统的示意图；
[0036]图2为本申请实施例提供的一种群体学习方法的流程示意图；
[0037]图3为本申请实施例提供的一种群体学习方法中共享本地参数的流程示意图；
[0038]图4为本申请实施例提供的一种群体学习方法中得到目标模型的流程示意图；
[0039]图5为本申请实施例提供的另一种群体学习方法的流程示意图；
[0040]图6为本申请实施例提供的一种群体学习装置的示意图；
[0041]图7为本申请实施例提供的一种区块链节点的示意图。
具体实施方式
[0042]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种群体学习方法，其特征在于，应用于区块链上的任一区块链节点，所述方法包括：根据所述任一区块链节点的第一本地训练数据进行模型训练，得到所述任一区块链节点上的预设模型的本地参数；将所述预设模型的本地参数，共享至所述区块链上的其他区块链节点；从所述区块链上的参与模型训练的各区块链节点中选举领导节点，使得所述领导节点对所述区块链上各区块链节点的本地参数进行合并，得到合并参数；根据所述合并参数更新所述预设模型，得到目标模型。2.根据权利要求1所述的方法，其特征在于，所述将所述预设模型的本地参数，共享至所述区块链上的其他区块链节点，包括：判断所述预设模型的迭代次数是否达到预设迭代次数阈值；若所述迭代次数达到所述预设迭代次数阈值，则确定所述任一区块链节点达到参数共享条件，并将所述预设模型的本地参数，共享至所述区块链上的其他区块链节点。3.根据权利要求1所述的方法，其特征在于，所述从所述区块链上的参与模型训练的各区块链节点中选举领导节点，包括：若所述区块链上共享本地参数的区块链节点的数量达到预设的数量阈值，则从所述各区块链节点中选举领导节点。4.根据权利要求1所述的方法，其特征在于，所述根据所述合并参数更新所述预设模型，得到目标模型，包括：根据所述合并参数，计算更新后的所述预设模型的第一验证结果；若所述第一验证结果满足所述预设模型的停止训练条件，则确定更新后的所述预设模型为所述目标模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述合并参数更新所述预设模型，得到目标模型，还包括：若所述第一验证结果不满足所述预设模型的停止训练条件，则根据所述第一本地训练数据继续进行模型训练，直至合并更新后的所述预设模型的验证指标达到所述停止训练条件，并确定达到所述停止训练条件时的模型为所述目...

【专利技术属性】
技术研发人员：刘维炜，
申请(专利权)人：刘维炜，
类型：发明
国别省市：