一种基于区块链与同态加密的联邦学习隐私保护方法技术

本发明专利技术公开了一种基于区块链与同态加密的联邦学习隐私保护方法，包括以下步骤：S1.联邦学习的参与方加密本地模型参数，并将其发送给聚合服务器；S2.聚合服务器接收联邦学习的各个参与方加密后的完整模型参数并进行聚合处理，获得聚合的密文状态全局模型参数；S3.联邦学习的各个参与方接收聚合服务器分发的聚合的密文状态全局模型参数，将其解密后载入本地模型，若不收敛则转至步骤S1中对应环节，否则完成训练并保存全局模型。本方法可以高效率、轻量级地实现联邦学习中的隐私保护，保障隐私性的同时还保证了联邦学习的准确率，并减少了一定的计算开销，引入区块链网络保证了各个参与方的有效安全身份，有效防范恶意节点攻击。击。击。

【技术实现步骤摘要】
一种基于区块链与同态加密的联邦学习隐私保护方法


[0001]本专利技术涉及电力系统下数据共享分析中的隐私保护技术，尤其涉及一种基于区块链与同态加密技术的联邦学习聚合过程中的隐私保护方法。

技术介绍

[0002]新型电力系统作为电力工业发展的重要战略方向，将是“电力流、信息流、业务流”的高度融合，包括大量依据智能业务需求构建的信息和通信系统。联邦学习是顺应大数据时代和人工智能技术发展而兴起的一种协调多个参与方共同训练模型的机制，它允许各个参与方将数据保留在本地，打破数据孤岛的同时保证参与方对数据的控制权。
[0003]然而，联邦学习引入了大量参数交换过程，不仅和集中式训练一样受到模型使用者的威胁，还可能受到来自不可信的参与设备的攻击。
[0004]在训练中，模型提高准确性依赖于对数据样本的规律挖掘。为了提高在训练样本上的准确度，模型的参数和结构可能“记住”训练样本的细节，使得模型携带训练集的敏感信息。根据这一特性，攻击者可以通过反复查询模型的预测接口来推测某条记录是否存在于训练集、推测模型的具体参数，而根据模型发布的参数能够进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链与同态加密的联邦学习隐私保护方法，其特征在于，包括以下步骤：S1.加密本地模型参数，具体包括步骤S11、S12、S13、S14和S15；S11.联邦学习的参与方k接收聚合服务器所分发的全局模型并确定初始的模型参数W
k,0
，参与方k利用本地数据执行本地训练，设定本地训练的损失函数，根据损失函数确定相对于更新前模型总的加权后的损失并更新本地模型第S次训练后的模型参数W
k,S
，参与方k的模型参数W
k,S
包括权重层W
k,S
[weigt]和偏置层W
k,S
[bias]；S12.参与方k生成拉普拉斯噪声r
k
并上传至区块链网络缓存，对本地模型参数中的权重层W
k,S
[weigt]进行加密，获得密文状态的权重层[[W
k,S
[weigt]]],表达式为[[W
k,S
[weigt]]]＝W
k,S
[weigt]+r
k
；S13.参与方k初始化CKKS全同态加密算法的安全等级参数λ，确定一个为2的幂次的整数N，确定特殊模数P，确定密文对应的深度L，选定模数q，令变量Q＝q
×
P
L
，选择私钥相关的密钥分布χ
s
，选择私钥相关的错误的密钥分布χ
e
，选择私钥相关的随机的密钥分布χ
r
；S14.参与方k根据χ
s
、χ
e
、Q设置私钥sk并计算出公钥pk；S15.参与方k根据χ
r
生成数据噪声r，根据χ
e
生成随机噪声e0、e1，将W
k,S
[bias]编码为明文多项式W
k,S
[bias]'，并将明文多项式W
k,S
[bias]'加密，表达式为[[W
k,S
[bias]']]
←
r*pk+(m+e0,e1)mod Q；其中，m为明文多项式；S2.聚合服务器接收联邦学习的各个参与方加密后的完整模型参数[[W
k,S
]]，并进行聚合处理，获得聚合的密文状态全局模型参数[[W
golobal,S
]]；S3.联邦学习的各个参与方接收聚合服务器分发的聚合的密文状态全局模...

【专利技术属性】
技术研发人员：邓松，张杰，胡琦聪，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：