一种支持身份证明的联邦学习方法、系统、设备及介质技术方案

本发明专利技术涉及人工智能和信息安全领域，具体地说，涉及一种支持身份证明的联邦学习方法、系统、设备及介质，通过将环签名与去中心化的区块链结构相结合引入到联邦学习算法中，解决了机器学习模型训练过程中数据来源无法保证合法性的问题，实现了对训练参与用户身份信息的保护，实现在复杂环境下仍然能满足实际的安全需求。全需求。全需求。

【技术实现步骤摘要】
一种支持身份证明的联邦学习方法、系统、设备及介质


[0001]本专利技术涉及人工智能和信息安全领域，具体地说，涉及一种支持身份证明的联邦学习方法、系统、设备及介质。

技术介绍

[0002]人工智能和机器学习等技术的兴起为智慧医疗、金融、教育等领域提供了从海量数据中发掘有益信息的机会。为了获得高精度、高性能的模型，传统的机器学习需要用户提供大量的原始数据进行训练。然而，由于层出不穷的隐私泄露事件，人们越来越重视数据安全和个人隐私。尤其是这些数据可能包含用户的敏感信息，导致很多用户拒绝提供他们的原始数据，这成为人工智能发展的瓶颈。
[0003]2016年，Federated Learning联邦学习的提出，突破了这个瓶颈，联邦学习支持用户在本地训练模型。因此，用户只需要提供训练好的本地模型而非大量的原始数据，大大缓解了由传统机器学习造成的隐私威胁。同时，由于用户不再需要提供原始数据，所以用户更愿意加入到联邦学习过程中。然而，传统的联邦学习框架仍然存在一些问题影响模型的可靠性。比如单点故障、缺乏激励等，这些缺陷阻碍了联邦学习高效可靠地工作。区块链作为一种新兴的分布式账本技术，具有可追溯性、去中心化、不可篡改等特性，可以被用来解决传统联邦学习面临的挑战。
[0004]另一方面，考虑到一个具有非法用户和半诚实聚合器的联邦学习系统，非法用户可能会上传影响全局模型效果的恶意更新，半诚实的聚合器会记录中间计算结果并进一步尝试推断用户身份隐私，存在模型参数来源不合法且无法获取模型参数具体来源的问题。
专利技术内容
[0005]本专利技术针对现有技术中存在模型参数来源不合法且无法获取模型参数具体来源的问题，提出一种支持身份证明的联邦学习方法、系统、设备及介质，通过将环签名与去中心化的区块链结构相结合引入到联邦学习算法中，解决了机器学习模型训练过程中数据来源无法保证合法性的问题，实现了对训练参与用户身份信息的保护，实现在复杂环境下仍然能满足实际的安全需求。
[0006]一种支持身份证明的联邦学习方法，包括以下步骤：
[0007]步骤1：初始化可信机构，生成系统安全参数，将系统安全参数和从委托人获取的利用深度学习初始化函数生成的初始全局模型M0发布在区块链中；
[0008]步骤2：将从训练参与用户获取的训练参与用户所需的身份信息和地理位置发送至可信机构注册，并将从可信机构获取的注册成功的训练参与用户的公私钥对发布在区块链上；
[0009]步骤3：将从训练参与用户获取的模型参数，利用随机梯度下降算法更新得到的训练参与用户当前的模型参数；
[0010]步骤4：根据步骤3得到的当前的模型参数，更新从训练参与用户获取的当前的训
练参与用户所要签名的本地模型，根据从可信机构获取的公私钥对生成环签名，并将生成的环签名发送至MEC服务器进行验证，若通过验证，则判断当前的训练参与用户是合法用户；
[0011]步骤5：将步骤4判断出的合法的训练参与用户，计算出合法的训练参与用户的本地模型的精度损失值；
[0012]步骤6：根据步骤5计算得出的精度损失值，将精度损失值最接近1的三位合法的训练参与用户，利用设定的奖励机制给予响应奖励；
[0013]步骤7：将精度损失值最接近1的合法的训练参与用户选举为本轮的临时领导者，聚合合法的训练参与用户的本地模型，并将最新的本地模型发布到区块链中；
[0014]步骤8：获取第i个合法的训练参与用户的数据点索引值，利用最小化任务的损失函数得到优化后的全局模型参数。
[0015]为了更好地实现本专利技术，进一步地，所述步骤2的具体操作为：将从可信机构获取的在集合中选取的随机数x作为主密钥，计算随机数x对应的主公钥，将从训练参与用户获取的训练参与用户所需要的身份信息和地理信息发送至可信机构注册，生成合法的训练参与用户，根据所有合法的训练参与用户生成独立的公钥和公钥对应的私钥返回给对应的训练参与用户，并将公钥集用集合表示，发布在区块链上。
[0016]为了更好地实现本专利技术，进一步地，所述步骤3的具体操作为：将从训练参与用户获取的训练参与用户从区块链上下载的初始全局模型M0和存储在本地的数据训练训练参与用户的本地模型，并利用随机梯度下降算法更新得到的训练参与用户当前的模型参数。
[0017]为了更好地实现本专利技术，进一步地，所述步骤4具体包括以下步骤：
[0018]步骤41：根据从训练参与用户获取的在加法循环群中选取的随机算子α
i
，计算出训练参与用户的签名元素ci，在集合Z
*q
中选取一个随机数r，计算出当前签名用户在加法循环群中的算子α
u
、当前签名用户的签名元素c
u
、当前签名用户的签名参数V；
[0019]步骤42：根据步骤41计算出的当前签名用户在加法循环群中的算子α
u
、当前签名用户的签名元素c
u
、当前签名用户的签名参数V、当前签名用户的公私钥对，计算出当前签名用户的本地模型的环签名σ；
[0020]步骤43：根据步骤41计算出的训练参与用户的签名元素ci，验证环签名是否有效，若通过验证，则判断当前的训练参与用户是合法用户。
[0021]为了更好地实现本专利技术，进一步地，所述步骤5中利用计算出的精度损失值判断训练参与用户的本地模型的精度高低的具体操作为：若训练参与用户的本地模型的精度损失值越接近于1，则训练参与用户的本地模型的精度越高；若训练参与用户的本地模型的精度损失值接近于0时，则训练参与用户的本地模型的精度越低。
[0022]为了更好地实现本专利技术，进一步地，所述系统安全参数包括阶为q的加法循环群G1、加法循环群G1的生成元E、阶为q的乘法循环群G2、双线性映射e：G1×
G1→
G2、哈希函数H1、H2，H1：{0，1}
*
→
G1、
[0023]为了更好地实现本专利技术，进一步地，基于上述提出的支持身份证明的联邦学习方法，提出一种支持身份证明的联邦学习系统，包括初始单元、注册单元、训练单元、签名验证
单元、精度损失单元、激励单元、聚合单元、输出单元；
[0024]所述初始单元，用于初始化可信机构，生成系统安全参数，将系统安全参数和从委托人获取的利用深度学习初始化函数生成的初始全局模型M0发布在区块链中；
[0025]所述注册单元，用于将从训练参与用户获取的训练参与用户所需的身份信息和地理位置发送至可信机构注册，并将从可信机构获取的注册成功的训练参与用户的公私钥对发布在区块链上；
[0026]所述训练单元，用于将从训练参与用户获取的模型参数，利用随机梯度下降算法更新得到的训练参与用户当前的模型参数；
[0027]所述签名验证单元，用于将得到的当前的模型参数，更新从训练参与用户获取的当前的训练参与用户所要签名的本地模型，根据从可信机构获取的公私钥对生成环签名，并将生成的环签名发送至MEC服务器进行验证本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种支持身份证明的联邦学习方法，其特征在于，包括以下步骤：步骤1：初始化可信机构，生成系统安全参数，将系统安全参数和从委托人获取的利用深度学习初始化函数生成的初始全局模型M0发布在区块链中；步骤2：将从训练参与用户获取的训练参与用户所需的身份信息和地理位置发送至可信机构注册，并将从可信机构获取的注册成功的训练参与用户的公私钥对发布在区块链上；步骤3：将从训练参与用户获取的模型参数，利用随机梯度下降算法更新得到的训练参与用户当前的模型参数；步骤4：根据步骤3得到的当前的模型参数，更新从训练参与用户获取的当前的训练参与用户所要签名的本地模型，根据从可信机构获取的公私钥对生成环签名，并将生成的环签名发送至MEC服务器进行验证，若通过验证，则判断当前的训练参与用户是合法用户；步骤5：将步骤4判断出的合法的训练参与用户，计算出合法的训练参与用户的本地模型的精度损失值；步骤6：根据步骤5计算得出的精度损失值，将精度损失值最接近1的三位合法的训练参与用户，利用设定的奖励机制给予响应奖励；步骤7：将精度损失值最接近1的合法的训练参与用户选举为本轮的临时领导者，聚合合法的训练参与用户的本地模型，并将最新的本地模型发布到区块链中；步骤8：获取第i个合法的训练参与用户的数据点索引值，利用最小化任务的损失函数得到优化后的全局模型参数。2.如权利要求1所述的一种支持身份证明的联邦学习方法，其特征在于，所述步骤2的具体操作为：将从可信机构获取的在集合中选取的随机数x作为主密钥，计算随机数x对应的主公钥，将从训练参与用户获取的训练参与用户所需要的身份信息和地理信息发送至可信机构注册，生成合法的训练参与用户，根据所有合法的训练参与用户生成独立的公钥和公钥对应的私钥返回给对应的训练参与用户，将公钥集用集合Q表示，并发布在区块链上。3.如权利要求2所述的一种支持身份证明的联邦学习方法，其特征在于，所述步骤3的具体操作为：将从训练参与用户获取的训练参与用户从区块链上下载的初始全局模型M0和存储在本地的数据训练训练参与用户的本地模型，并利用随机梯度下降算法更新得到的训练参与用户当前的模型参数。4.如权利要求3所述的一种支持身份证明的联邦学习方法，其特征在于，所述步骤4具体包括以下步骤：步骤41：根据从训练参与用户获取的在加法循环群中选取的随机算子α
i
，计算出训练参与用户的签名元素ci，在集合Z
*q
中选取一个随机数r，计算出当前签名用户在加法循环群中的算子α
u
、当前签名用户的签名元素c
u
、当前签名用户的签名参数V；步骤42：根据步骤41计算出的当前签名用户在加法循环群中的算子α
u
、当前签名用户的签名元素c
u
、当前签名用户的签名参数V、当前签名用户的公私钥对，计算出当前签名用户的本地模型的环签名σ；...

【专利技术属性】
技术研发人员：张敏，熊虎，刘智远，姜毅，刘韬，
申请(专利权)人：成都安恒信息技术有限公司，
类型：发明
国别省市：