一种适用碳信用评价的联邦学习方法、系统及电子设备技术方案

本发明专利技术公开了一种适用碳信用评价的联邦学习方法、系统及电子设备，方法包括：获取目标参与节点的目标联邦子模型，目标联邦子模型是由联邦模型拆分后得到的，联邦模型包括至少3个联邦子模型，目标联邦子模型包括模型参数以及目标参与节点的目标特征；获取当前网络时延以及目标特征的预设优化次数；基于当前网络时延与预设优化次数对应的预设网络时延的差异，确定当前优化次数；根据当前优化次数对目标特征进行本地优化；将目标特征的优化结果与其他参与节点进行加密交互，以对模型参数进行优化确定目标联邦子模型的目标模型参数。本技术方案提升了多方数据交互时的安全性。案提升了多方数据交互时的安全性。案提升了多方数据交互时的安全性。

【技术实现步骤摘要】
一种适用碳信用评价的联邦学习方法、系统及电子设备


[0001]本专利技术涉及信息安全领域，具体涉及一种适用碳信用评价的联邦学习方法、系统及电子设备。

技术介绍

[0002]区块链技术是一种去中心化的分布式数据库技术，具有去中心化以及难以篡改等特点，区块链所记录的信息更加真实可靠，随着网络技术的快速发展，区块链的相关技术日渐完善成熟。
[0003]联邦学习是在保障大数据交换时的信息安全、保护终端数据以及个人数据隐私、保证合法合规的前提下，在多参与方或多计算节点之间开展高效率的机器学习的一种新兴人工智能基础技术，采用一种去中心化分布系统保证用户的隐私安全。区块链作为一个去中心化、数据加密、不可篡改的分布式共享数据库，可以为联邦学习的数据交换提供数据保密性，从而保证各参与方之间的数据安全。
[0004]出于数据隐私保护法律法规的日趋完善，当需要多方数据参与时，通过数据集中和数据交换整合不同行业的数据资源面临越来越多的限制和风险，在这个过程中需要满足多方数据的隐私保护。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供了一种适用碳信用评价的联邦学习方法、系统、电子设备及存储介质，以解决多方数据交互时的隐私安全性不足的问题。
[0006]根据第一方面，本专利技术实施例提供了一种适用碳信用评价的联邦学习方法，包括：获取所述目标参与节点的目标联邦子模型，所述目标联邦子模型是由联邦模型拆分后得到的，所述联邦模型包括至少3个联邦子模型，所述目标联邦子模型包括模型参数以及所述目标参与节点的目标特征；获取当前网络时延以及目标特征的预设优化次数；基于所述当前网络时延与所述预设优化次数对应的预设网络时延的差异，确定当前优化次数；根据当前优化次数对所述目标特征进行本地优化；将所述目标特征的优化结果与其他参与节点进行加密交互，以对模型参数进行优化确定所述目标联邦子模型的目标模型参数。
[0007]本专利技术实施例提供的适用碳信用评价的联邦学习方法，将联邦子模型分发至对应的各参与节点，目标参与节点基于网络时延以及对目标特征的预设优化次数确定当前优化次数，并在参与节点之间进行加密交互计算前基于当前优化次数在本地进行优化，在进行加密交互计算后确定目标联邦子模型的目标模型参数，提升了多方参与模型的安全性。
[0008]在一个实施方式中，当前优化次数采用如下公式计算得到：
式中，表示预设优化次数，表示当前优化次数，表示预设优化次数对应的预设网络时延，表示当前网络时延。
[0009]在一个实施方式中，所述将所述目标特征的优化结果与其他参与节点进行加密交互，包括：基于同态加密算法计算公钥和私钥，并将所述公钥发送给其他参与节点；计算目标联邦子模型对应的模型参数与目标特征的乘积，以及模型参数与目标特征的乘积的平方项，并将所述乘积以及乘积的平方项发送给其他参与节点；将采用指定其他参与节点的公钥加密的密文梯度发送给对应的其他所有参与节点。
[0010]在一个实施方式中，在所述将采用指定参与节点的公钥加密的密文梯度发送给其他所有参与节点之前，还包括：接收其他参与节点采用所述指定参与节点的公钥加密后的模型参数与对应目标特征的乘积，以及模型参数与对应目标特征的乘积的平方项；基于所述接收的其他参与节点发送的乘积以及乘积的平方项，确定密文目标函数；基于所述密文目标函数计算所述目标参与节点的密文梯度，所述密文梯度采用指定参与节点的公钥加密，所述密文目标函数采用如下公式计算得到：所述目标参与节点的密文梯度为：式中，L表示所述密文目标函数，y
i
表示全局模型预测值，表示参与节点对应的联邦子模型的模型参数，表示参与节点对应的目标特征，，表示所述目标联邦子模型的模型参数，表示所述目标参与节点的目标特征，表示所述采用指定参与节点的公钥加密的密文梯度。
[0011]在一个实施方式中，在所述将采用指定参与节点的公钥加密的密文梯度发送给其他所有参与节点之后，还包括：接收所述其他参与节点对所述目标参与节点的密文梯度解密后的梯度结果，以确定所述目标联邦子模型的目标模型参数。
[0012]本专利技术实施例提供的适用碳信用评价的联邦学习方法，采用同态加密算法进行参与节点之间的加密交互，利用加法和乘法在密文下进行运算，保障了参与节点之间进行数据交互过程中的安全性，且通过该训练方法得到联邦子模型中的参数。
[0013]在一个实施方式中，在获取所述目标参与节点的目标联邦子模型之前，所述方法还包括：从数据集中提取数据特征，作为数据原始特征；计算所述数据特征的信息熵，并基于所述信息熵计算数据特征的属性重要度，以实现对所述数据特征的优化，得到数据深度特征；对所述数据原始特征和所述数据深度特征进行融合，得到所述目标参与节点的目标特征。
[0014]在一个实施方式中，信息熵采用如下公式计算得到：式中，表示每个离散消息发生的概率，为，表示最大信息熵；所述属性重要度采用如下公式计算得到：式中，表示属性重要度，表示最大信息熵，表示属性信息熵。
[0015]在一个实施方式中，所述方法还包括：向所述其他参与节点发出加密后的所述联邦子模型授权请求；基于智能合约验证所述其他参与节点并判断是否授权，基于判断结果向所述其他参与节点发送授权令牌；接收所述其他参与节点的授权令牌，以完成联邦子模型的上链授权。
[0016]根据第二方面，本专利技术实施例提供了一种联邦学习系统，包括：至少三个参与节点，所述参与节点用于执行第一方面或第一方面的任意一种实施方式中所述的适用碳信用评价的联邦学习方法。
[0017]根据第三方面，本专利技术实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的适
用碳信用评价的联邦学习方法。
[0018]根据第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的适用碳信用评价的联邦学习方法。
附图说明
[0019]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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的附图。
[0020]图1是根据本专利技术实施例的联邦学习方法的流程图；图2是根据本专利技术实施例的确定目标特征的流程图；图3是根据本专利技术实施例的加密交互的方法的流程图；图4是根据本专利技术实施例的加密交互的方法的流程图；图5是根据本专利技术实施例的联邦学习方法的流程图；图6是根据本专利技术实施例的联邦学习方法的流程图；图7是根据本专利技术实施例的联邦学习方法的流程图；图8是根据本专利技术实施例的碳信用评价的联邦系统示意图；图9是根据本专利技术实施例的基于碳信用评价的联邦平台装置的结构示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用碳信用评价的联邦学习方法，其特征在于，应用于目标参与节点，所述方法包括：获取所述目标参与节点的目标联邦子模型，所述目标联邦子模型是由联邦模型拆分后得到的，所述联邦模型包括至少3个联邦子模型，所述目标联邦子模型包括模型参数以及所述目标参与节点的目标特征；获取当前网络时延以及目标特征的预设优化次数；基于所述当前网络时延与所述预设优化次数对应的预设网络时延的差异，确定当前优化次数；根据当前优化次数对所述目标特征进行本地优化；将所述目标特征的优化结果与其他参与节点进行加密交互，以对模型参数进行优化确定所述目标联邦子模型的目标模型参数。2.根据权利要求1所述的方法，其特征在于，所述当前优化次数采用如下公式计算得到：式中，表示预设优化次数，表示当前优化次数，表示预设优化次数对应的预设网络时延，表示当前网络时延。3.根据权利要求1所述的方法，其特征在于，所述将所述目标特征的优化结果与其他参与节点进行加密交互，包括：基于同态加密算法计算公钥和私钥，并将所述公钥发送给其他参与节点；计算目标联邦子模型对应的模型参数与目标特征的乘积，以及模型参数与目标特征的乘积的平方项，并将所述乘积以及乘积的平方项发送给其他参与节点；将采用指定参与节点的公钥加密的密文梯度发送给其他所有参与节点。4.根据权利要求3所述的方法，其特征在于，在所述将采用指定参与节点的公钥加密的密文梯度发送给其他所有参与节点之前，还包括：接收其他参与节点采用所述指定参与节点的公钥加密后的模型参数与对应目标特征的乘积，以及模型参数与对应目标特征的乘积的平方项；基于所述接收的其他参与节点发送的乘积以及乘积的平方项，确定密文目标函数；基于所述密文目标函数计算所述目标参与节点的密文梯度，所述密文梯度采用指定参与节点的公钥加密，所述密文目标函数采用如下公式计算得到：所述目标参与节点的密文梯度为：
式中，L表示所述密文目标函数，y
i
表示全局模型预测值，表示参与节点对应的联邦子模型的模型参数，表示参与节点对应的目标特征，，表示所述目标联邦子模型的模型参数，表示所述目...

【专利技术属性】
技术研发人员：石聪聪，黄秀丽，费稼轩，翟雨佳，于鹏飞，
申请(专利权)人：国网智能电网研究院有限公司，
类型：发明
国别省市：