【技术实现步骤摘要】
本专利技术涉及密码学技术应用领域，特别涉及一种保护电力数据隐私的去中心化协作机器学习方法与系统。
技术介绍
1、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
，并不必然构成现有技术。
2、目前的电力负荷预测技术通常采用机器学习算法实现，通过学习之前的电力数据特征与负荷值之间的关联来预测接下来的负荷。但在学习过程中，数据安全的隐私保障是一个重要的问题，尤其在大数据和互联网技术的帮助下，越来越多的消费者开始使用智能电表等智能电器设备，这些设备的使用可以方便消费者的电力消费和监管部门的管理，但同时也带来了数据泄露和隐私侵犯的风险。犯罪分子可以通过分析每户的电力峰值数据推测得出家中人员数量、上下班时间、生活习惯等隐私信息，对公民安全和社会稳定造成严重危害。而且数据的收集与使用也受到了越来越多政策和法律的限制。
3、结合上述背景，如何在保护用户电力数据的同时，使电力公司能够预测出电力负荷，是当前电力工业亟需解决的问题之一。
4、具体来说，使用用户电力数据来预测电力负荷面临以下问题：
5、1)产生电力数据的用户由于隐私意识的觉醒或法律法规的限制不愿意或无法直接传输，或被间接获得自己的数据。
6、2)大量的数据由智能电表等智能电气设备产生，这些设备通常不具有数据处理和数据存储的能力，一般的做法是将这些数据传输到中央服务器进行处理或存储。然而除了在1)中提到的隐私考虑外，这类数据通常实时产生，且数据量巨大，如果直接传输会对网络带宽和中央服务器的计算能力带来很大的压力，如果因此产生延
7、3)处理数据的服务器可能会被黑客攻击或劫持，对数据的安全造成威胁。另外单个服务器也容易产生单点故障，一旦服务器产生故障，整个系统将会陷入停滞状态，造成严重损失。
8、目前现有技术有采用联邦学习来根据用户电力数据预测电力负荷的相关方案，，联邦学习是指数据不会离开本地，而是每个客户端使用本地有限的数据在本地进行训练获得本地模型，将参数的梯度或模型参数上传到中央服务器，再由中央服务器对所有上传上来的本地模型或梯度进行聚合生成全局模型。这样的方法使得数据不会离开本地，直观上保护了个人的隐私。在电力数据场景中，由于数据产生源较为分散，使用联邦学习是一个较优的选择。然而，联邦学习中还存在以下问题：
9、1)有研究人员指出，联邦学习过程中，恶意攻击者可以通过观察本地模型的参数，计算得出部分原始数据。这样一来，严格的隐私保护要求在联邦学习过程中，每个客户端产生的本地梯度需不可见。
10、2)联邦学习的中央服务器不能确保可信，并且有可能出现单点故障的问题。
11、3)电力场景下终端为智能电表等设备，计算能力和存储能力有限，无法进行本地训练任务。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了一种保护电力数据隐私的去中心化协作机器学习方法与系统，本专利技术通过多密钥同态加密和随机置换的盲化方法，有效避免了恶意的参与方通过观察模型训练中间参数窃取原始信息的问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术第一个方面提供了一种保护电力数据隐私的去中心化协作机器学习方法。
4、保护电力数据隐私的去中心化协作机器学习方法，应用于电力数据中心，包括：
5、采用一致性哈希算法，将区块连中的所有节点均匀映射到一个圆环上，选取区块链中最新区块，进行哈希运算，得到第一哈希值，以此确定第一聚合节点和第二聚合节点；
6、采用一般节点，将用户用电数据训练后的本地模型的模型梯度划分为若干块，选取其中某一部分梯度块，以使用户采用公钥对该部分梯度块进行加密，并上传至第一聚合节点；所述一般节点为指除第一聚合节点和第二聚合节点之外的所有节点；
7、第一聚合节点在收到加密后的部分梯度后，采用相同的顺序打乱该部分梯度块和该部分梯度块对应的本地模型的模型参数，并发送给第二聚合节点；
8、第二聚合节点对全局模型解密后，更新全局模型的参数，并采用客户端的公钥加密全局模型后，传输给第一聚合节点；
9、第一聚合节点根据更新后的全局模型和验证信息，按正常顺序打包上传至区块链；
10、其中，全局模型是由第二聚合节点将多个本地模型聚合而成。
11、进一步地，以此确定所述第一聚合节点的过程包括：寻找两个相邻的节点，以使前一节点的哈希值小于等于第一哈希值，且后一节点的哈希值大于等于第一哈希值；选择后一节点作为第一聚合节点。
12、进一步地，以此确定所述第二聚合节点的过程包括：将第一哈希值再次进行哈希计算，得到第二哈希值，再次寻找两个相邻的节点，以使前一节点的哈希值小于等于第二哈希值，且后一节点的哈希值大于等于第二哈希值；选取离第二哈希值最近的节点，作为第二聚合节点。
13、进一步地，所述采用一般节点，将用户用电数据训练的本地模型的模型梯度划分为若干块，选取其中某一部分梯度块，以使用户采用公钥对该部分梯度块进行加密的过程；采用dt-pkc加密方案进行。
14、进一步地，用户在上传加密的该部分梯度块时，同时上传该梯度的承诺。
15、进一步地，在第二聚合节点执行完本地模型的聚合操作时，第一聚合节点将聚合结果和所有参与聚合的梯度的承诺全部打包成区块添加到区块链当中；
16、进一步地，聚合结果满足：
17、
18、其中，表示梯度对应的承诺，表示所有梯度对应的承诺；
19、进一步地，所有梯度对应的承诺通过以下公式计算得到：
20、
21、其中，θt+1为t+1时刻的模型参数，θt为t时刻的模型参数，α是学习率，gi是第i个用户使用用电数据计算出的针对模型参数θ下降的梯度；
22、进一步地，在第二聚合节点完成聚合操作后验证第二聚合节点是否正常低执行了聚合；
23、进一步地，所述第一哈希值不固定且无法预先推算得知；
24、进一步地，所述第一聚合节点有若干个；
25、进一步地，在对本地模型和全局模型进行训练的过程中，最新区块包含最新一轮迭代后的全局模型以及验证所需信息。
26、本专利技术的第二个方面提供一种保护电力数据隐私的去中心化协作机器学习系统。
27、保护电力数据隐私的去中心化协作机器学习系统，应用于电力数据中心，包括：
28、节点选取模块，其被配置为：采用一致性哈希算法，将区块连中的所有节点均匀映射到一个圆环上，选取区块链中最新区块，进行哈希运算，得到第一哈希值，以此确定第一聚合节点和第二聚合节点；
29、加密模块，其被配置为：采用一般节点，将用户用电数据训练后的本地模型的模型梯度划分为若干块，选取其中某一部分梯度块，以使用户采用公钥对该部分梯度块进行加密，并上传至第一聚合节点；所述一般节点为指除第一聚合节点和第二聚合节点之外的所有节点；本文档来自技高网...
【技术保护点】
1.保护电力数据隐私的去中心化协作机器学习方法，其特征在于，应用于电力数据中心，包括：
2.根据权利要求1所述的保护电力数据隐私的去中心化协作机器学习方法，其特征在于，以此确定所述第一聚合节点的过程包括：寻找两个相邻的节点，以使前一节点的哈希值小于等于第一哈希值，且后一节点的哈希值大于等于第一哈希值；选择后一节点作为第一聚合节点。
3.根据权利要求1所述的保护电力数据隐私的去中心化协作机器学习方法，其特征在于，以此确定所述第二聚合节点的过程包括：将第一哈希值再次进行哈希计算，得到第二哈希值，再次寻找两个相邻的节点，以使前一节点的哈希值小于等于第二哈希值，且后一节点的哈希值大于等于第二哈希值；选取离第二哈希值最近的节点，作为第二聚合节点。
4.根据权利要求1所述的保护电力数据隐私的去中心化协作机器学习方法，其特征在于，所述采用一般节点，将用户用电数据训练的本地模型的模型梯度划分为若干块，选取其中某一部分梯度块，以使用户采用公钥对该部分梯度块进行加密的过程；采用DT-PKC加密方案进行。
5.根据权利要求1所述的保护电力数据隐私的去中心
6.根据权利要求1所述的保护电力数据隐私的去中心化协作机器学习方法，其特征在于，在第二聚合节点执行完本地模型的聚合操作时，第一聚合节点将聚合结果和所有参与聚合的梯度的承诺全部打包成区块添加到区块链当中；
7.保护电力数据隐私的去中心化协作机器学习系统，其特征在于，应用于电力数据中心，包括：
8.根据权利要求7所述的保护电力数据隐私的去中心化协作机器学习系统，其特征在于，以此确定所述第一聚合节点的过程包括：寻找两个相邻的节点，以使前一节点的哈希值小于等于第一哈希值，且后一节点的哈希值大于等于第一哈希值；选择后一节点作为第一聚合节点；
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的保护电力数据隐私的去中心化协作机器学习方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的保护电力数据隐私的去中心化协作机器学习方法中的步骤。
...【技术特征摘要】
1.保护电力数据隐私的去中心化协作机器学习方法，其特征在于，应用于电力数据中心，包括：
2.根据权利要求1所述的保护电力数据隐私的去中心化协作机器学习方法，其特征在于，以此确定所述第一聚合节点的过程包括：寻找两个相邻的节点，以使前一节点的哈希值小于等于第一哈希值，且后一节点的哈希值大于等于第一哈希值；选择后一节点作为第一聚合节点。
3.根据权利要求1所述的保护电力数据隐私的去中心化协作机器学习方法，其特征在于，以此确定所述第二聚合节点的过程包括：将第一哈希值再次进行哈希计算，得到第二哈希值，再次寻找两个相邻的节点，以使前一节点的哈希值小于等于第二哈希值，且后一节点的哈希值大于等于第二哈希值；选取离第二哈希值最近的节点，作为第二聚合节点。
4.根据权利要求1所述的保护电力数据隐私的去中心化协作机器学习方法，其特征在于，所述采用一般节点，将用户用电数据训练的本地模型的模型梯度划分为若干块，选取其中某一部分梯度块，以使用户采用公钥对该部分梯度块进行加密的过程；采用dt-pkc加密方案进行。
5.根据权利要求1所述的保护电力数据隐私的去中心化协作机器学习方法，其特征在于，用户...
【专利技术属性】
技术研发人员：王睿，刘冬兰，刘新，常英贤，张昊，马雷，姚洪磊，张方哲，孙莉莉，赵鹏，王勇，赵川，赵大伟，徐丽娟，于灏，秦佳峰，苏冰，赵夫慧，孙梦谦，金玉辉，许善杰，
申请(专利权)人：国网山东省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。