【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...
【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...
【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。