【技术实现步骤摘要】
本申请涉及隐私计算领域，尤其涉及一种基于区块链驱动的联邦学习隐私计算方法、装置及设备。
技术介绍
1、联邦学习(federated learning)是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方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，多个参与方通过特定的模型训练方式和结构实现在保护隐私安全的前提下，共享训练数据。
2、相关技术中，在联邦学习过程中，通过中央服务器在多个学习节点中选择符合数据条件的学习节点作为参与方，并给参与方发布初始模型，参与方利用本地数据集来进行本地训练，中央服务器通过使用从参与方收集的本地训练数据参数来更新全局模型，并更新对参与方的质量度量。但采用上述技术方案进行隐私计算，仍存在安全性低的问题。
技术实现思路
1、本申请提供一种基于区块链驱动的联邦学习隐私计算方法、装置及设备，用以解决采用相关技术方案进行隐私计算，仍存在安全性低的问题。
2、第一方面，本申请提供一种基于区块链驱动的联邦学习隐私计算方法，应用于参与联邦学习的多个参与方中的目标参与方，多个参与方中一参与方为隐私计算任务的发起方，隐私计算任务中包含待训练的初始全局模型及模型参数，多个参与方中一参与方为监管方，监管方为多个参与方中评价最高的参与方；
3、基于区块链驱动的联邦学习隐私计算方法包括：
4、获取本地训练数据；
5、根据本地训练数据，联合多个参与方中的其他参与方，对初始全局模型
6、上传训练后的本地模型至区块链；
7、若目标参与方为监管方，则记录参与方关于隐私计算任务的评价结果至区块链；以及，检索区块链中的区块，以查询区块是否存在模型更新，并在查询到模型更新时，采用聚合算法，基于多个参与方在区块链中对应的本地模型，得到更新后的全局模型，在更新后的全局模型满足收敛条件时，得到训练完成的全局模型。
8、在一种可能的实施方式中，基于区块链驱动的联邦学习隐私计算方法还包括：基于预先训练好的评价模型，根据参与方的行为表现，对参与方进行评价，得到评价结果，评价模型是采用以下深度强化学习算法构建的：定义状态表示；构建值函数网络；动作选择；定义奖励函数和惩罚函数；目标值计算；损失函数和参数更新；参与方评估。
9、在一种可能的实施方式中，在上传训练后的本地模型至区块链之前，还包括：嵌入模型水印至训练后的本地模型，模型水印用于保护模型；对应地，评价结果包含对模型水印的校验的评价。
10、在一种可能的实施方式中，嵌入模型水印至训练后的本地模型，包括：生成本地模型的模型水印的序列，序列的长度与模型参数的个数一致；在本地模型的损失函数后面添加衡量水印效果的函数；将序列嵌入到本地模型的模型参数中，并通过不断优化模型参数，得到水印嵌入成功的本地模型。
11、在一种可能的实施方式中，区块链应用评价证明加权随机选择评价证明加权随机选择(evaluate proof of stake,简称epos)算法进行区块共识。
12、在一种可能的实施方式中，基于区块链驱动的联邦学习隐私计算方法还包括以下至少一项：获取区块链中模型使用情况，记录模型使用情况至区块链；检测模型水印是否存在变化；在模型水印存在变化时，记录反馈至区块链；获取区块链发送的奖惩信息。
13、在一种可能的实施方式中，在隐私计算任务发起之前，还包括：授权本地训练数据给多个参与方中的其他参与方，并查询获取其他参与方授权给目标参与方的授权数据；记录授权行为和查询行为；若目标参与方为发起方，则根据授权数据的基本信息以及本地训练数据，创建隐私计算任务。
14、在一种可能的实施方式中，在创建隐私计算任务之前，还包括：若目标参与方为发起方，则全网发布隐私计算项目，隐私计算项目的项目要求包括任务类型、所需数据类型和任务奖励；邀请符合评价要求的参与方加入隐私计算项目，以确定符合评价要求的参与方是否加入隐私计算项目，其中，符合评价要求的参与方基于隐私计算项目的相关信息确定是否加入，相关信息包括项目要求、发起方、发起方的评价信息、当前的项目成员和项目成员的评价信息中的至少一种；基于评价指标，在同意加入隐私计算项目的参与方中选择设定数量的参与方加入隐私计算项目。
15、第二方面，本申请提供一种基于区块链驱动的联邦学习隐私计算装置，应用于参与联邦学习的多个参与方中的目标参与方，多个参与方中一参与方为隐私计算任务的发起方，隐私计算任务中包含待训练的初始全局模型及模型参数，多个参与方中一参与方为监管方，监管方为多个参与方中评价最高的参与方；基于区块链驱动的联邦学习隐私计算装置包括：
16、获取模块，用于获取本地训练数据；
17、训练模块，用于根据本地训练数据，联合多个参与方中的其他参与方，对初始全局模型进行联邦训练，得到训练后的本地模型；
18、上传模块，用于上传训练后的本地模型至区块链；
19、处理模块，用于记录参与方关于隐私计算任务的评价结果至区块链；以及，检索区块链中的区块，以查询区块是否存在模型更新，并在查询到模型更新时，采用聚合算法，基于多个参与方在区块链中对应的本地模型，得到更新后的全局模型，在更新后的全局模型满足收敛条件时，得到训练完成的全局模型。
20、第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；
21、存储器存储计算机执行指令；
22、处理器执行存储器存储的计算机执行指令，以实现第一方面任一项所述的方法。
23、第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被执行时用于实现第一方面任一项所述的方法。
24、第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被执行时实现第一方面任一项所述的方法。
25、本申请提供的基于区块链驱动的联邦学习隐私计算方法、装置及设备，应用于参与联邦学习的多个参与方中的目标参与方，多个参与方中一参与方为隐私计算任务的发起方，隐私计算任务中包含待训练的初始全局模型及模型参数，多个参与方中一参与方为监管方，监管方为多个参与方中评价最高的参与方；获取本地训练数据，根据本地训练数据，联合多个参与方中的其他参与方，对初始全局模型进行联邦训练，得到训练后的本地模型，上传训练后的本地模型至区块链；若目标参与方为监管方，则记录参与方关于隐私计算任务的评价结果至区块链，以及，检索区块链中的区块，以查询区块是否存在模型更新，并在查询到模型更新时，采用聚合算法，基于多个参与方在区块链中对应的本地模型，得到更新后的全局模型，在更新后的全局模型满足收敛条件时，得到训练完成的全局模型。在此过程中，通过联合多个参与方中的其他参与方，采用本地训练数据对初始全局模型进行联邦训练，并将训练得到的本地模型上传至区块链，使得本文档来自技高网...
【技术保护点】
1.一种基于区块链驱动的联邦学习隐私计算方法，其特征在于，应用于参与联邦学习的多个参与方中的目标参与方，所述多个参与方中一参与方为隐私计算任务的发起方，所述隐私计算任务中包含待训练的初始全局模型及模型参数，所述多个参与方中一参与方为监管方，所述监管方为所述多个参与方中评价最高的参与方；
2.根据权利要求1所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，所述基于区块链驱动的联邦学习隐私计算方法还包括：
3.根据权利要求1所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，在上传训练后的本地模型至区块链之前，还包括：
4.根据权利要求3所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，所述嵌入模型水印至所述训练后的本地模型，包括：
5.根据权利要求1至4中任一项所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，所述区块链应用评价证明加权随机选择EPoS算法进行区块共识。
6.根据权利要求1至4中任一项所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，在所述隐私计算任务发起之前，还包括：
<...【技术特征摘要】
1.一种基于区块链驱动的联邦学习隐私计算方法，其特征在于，应用于参与联邦学习的多个参与方中的目标参与方，所述多个参与方中一参与方为隐私计算任务的发起方，所述隐私计算任务中包含待训练的初始全局模型及模型参数，所述多个参与方中一参与方为监管方，所述监管方为所述多个参与方中评价最高的参与方；
2.根据权利要求1所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，所述基于区块链驱动的联邦学习隐私计算方法还包括：
3.根据权利要求1所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，在上传训练后的本地模型至区块链之前，还包括：
4.根据权利要求3所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，所述嵌入模型水印至所述训练后的本地模型，包括：
5.根据权利要求1至4中任一项所述的基于区块链驱动的联邦学习隐私计算方法，其特征在于，所述区块链应用评价证明加权随机选择epos算法进行区块共识。
【专利技术属性】
技术研发人员：叶晋，叶慧杰，江志坤，
申请(专利权)人：中国联合网络通信集团有限公司，
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。