一种基于区块链的联邦学习可信融合激励方法及系统技术方案

本发明专利技术提供一种基于区块链的联邦学习可信融合激励方法及系统，涉及互联网技术领域，该方法包括：在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较节点等级临界值与信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点信用度以及相关属性信息，构建多属性融合数据的实体模型，将实体模型存储在区块链上。这样，可以解决联邦学习过程中参与节点消极搭便车、模型投毒攻击等问题，并且支持参与节点的实体级、属性级可信查询，为参与节点行为的量化评估提供依据。化评估提供依据。化评估提供依据。

【技术实现步骤摘要】
一种基于区块链的联邦学习可信融合激励方法及系统


[0001]本专利技术属于互联网
，尤其涉及一种基于区块链的联邦学习可信融合激励方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成已经成为本领域一般技术人员所公知的现有技术。
[0003]互联网数据的处理过程通常包括以下方式，其中一方收集数据并将其传输到另一方，另一方负责整理和融合数据。最后，第三方将获取集成数据并构建模型，以供其他各方使用。随着对数据安全和用户隐私的意识日益增强，如何在加强数据隐私和安全性的前提下分析数据成为业内广泛关注的问题。
[0004]联邦学习是一种机器学习环境，在这种环境下，多个参与节点在中央服务器的协调下协同训练一个模型，同时保持训练数据的分散性。多个参与节点以模型参数作为信息载体，可以在不交换数据的情况下，共同训练模型，既将分散在各参与节点的数据孤岛进行链接，又保证了参与节点的数据隐私安全，可以带动跨领域企业级大数据合作，催生人工智能领域共享建模的新生态。
[0005]但是在实际应用中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链的联邦学习可信融合激励方法，其特征在于，包括：在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上。2.如权利要求1所述的基于区块链的联邦学习可信融合激励方法，其特征在于，根据参与节点本地梯度对联邦学习全局梯度的贡献度和本地梯度的有效信息度，确定参与节点的基础信用度；其中，所述贡献度用于衡量本地梯度与联邦学习全局梯度的全局一致性，所述有效信息度用于衡量目标参与节点与联邦学习中除所述目标参与节点之外的其他参与节点所提供的梯度差异。3.如权利要求2所述的基于区块链的联邦学习可信融合激励方法，其特征在于，所述贡献度为参与节点本地更新梯度和前一轮联邦学习全局更新梯度的符号一致的数量，与联邦学习聚合的模型总参数量的比值。4.如权利要求2所述的基于区块链的联邦学习可信融合激励方法，其特征在于，通过以下方式确定所述有效信息度：；其中，为参与节点i在第t轮迭代中的有效信息度，M为联邦学习总参数量，n表示联邦学习中参与节点总数，为参与节点i与参与节点j在第t轮的梯度更新中符号相异的参数个数。5.如权利要求1所述的基于区块链的联邦学习可信融合激励方法，其特征在于，按照以下公式更新参与节点在当前轮迭代学习的信用度：；其中，m
it
为参...

【专利技术属性】
技术研发人员：杨扬，张镇，王亚新，钱恒，刘伟，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：