[發明專利]基于區塊鏈的分布式隱私計算方法及裝置

在審

• 申請號: 202110646770.3
• 申請日: 2021-06-10
• 公開（公告）號: CN113434269A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 楊征;鐘思琪;尹海波;王云麗;譚林;黃強
• 申請（專利權）人: 湖南天河國云科技有限公司
• 主分類號: G06F9/48
• 分類號: G06F9/48;G06F9/50;G06F21/60;G06F21/62;G06F21/64
• 代理公司: 長沙德恒三權知識產權代理事務所(普通合伙) 43229
• 代理人: 張璋

本發明提供一種基于區塊鏈的分布式隱私計算方法及裝置，所述裝置包括區塊鏈基礎設施層、分布式并行計算層和界面展示層，所述方法包括計算請求客戶端發布計算任務，對計算任務進行分解；任務分發模塊進行任務分發，計算節點返回任務認領確認消息；計算請求客戶端編寫利益分配智能合約；計算節點下載訓練模型進行訓練，將結果返回給計算請求客戶端；安全驗證模塊對計算節點傳回的結果進行驗證，并融合結果得到最終聯邦模型；智能合約利用利益分配函數對各計算節點進行利益分配。與相關技術相比，本發明提供的基于區塊鏈的分布式隱私計算方法及裝置其數據隱私安全性好，降低計算成本，提高節點數據共享的積極性。

技術領域

本發明涉及區塊鏈技術領域，尤其涉及一種基于區塊鏈的分布式隱私計算方法及裝置。

背景技術

人工智能要在雜亂無章的海量內容中準確、快速的識別出目標圖像/語音，就需要收集大量用戶的數據、素材進行模型訓練，不斷優化識別模型。隨著深度學習成為人工智能行業的主流算法，其所帶來的高度依賴數據集的大規模學習方法，極大增加了對于大規模數據集的需求，一個優秀的深度學習模型是算法通過大量的數據集訓練而達到的，耗費資源巨大又耗時長，因此數據集和計算能力成為了深度學習進行模型訓練的關鍵。

現有技術存在計算資源集中，計算成本高和中心化的缺點。在計算能力方面，對于處理大數據的復雜計算任務，現有技術中，計算機科學界有兩大方向，一個是集中式計算，就是通過不斷增加處理器的數量來增加單個計算機的計算能力，從而提高計算處理的速度，另一個就是分布式計算，把一組計算機通過網絡相互連接組成分散系統，然后將需要處理的大量計算任務，分解為多個部分，交由分散系統內的計算機組同時進行計算，最終將這些計算結果合并得到最終結果。集中式計算的方式往往投資巨大，需求量大時自己提供的資源往往不足，沒需要時又容易造成資源浪費。分布式計算雖然能夠將計算任務分配到不同計算機同時進行計算，但是還是采用中心化的分配方式，各分布式系統還是屬于統一中心機構，仍然存在成本和數據分發過程中的安全性問題。

現有技術存在數據隱私問題，并由此造成的數據共享積極性低的缺點。在數據需求方面，現有的集中式和分布式計算方案需要數據在集中的物理位置，難以確保數據的安全性，容易導致數據的泄漏。目前個體或機構越來越重視數據隱私性，對于數據的分享越來越謹慎，因此很多數據方不愿意將自己的數據共享出去進行模型訓練。

因此，有必要提供一種新型的基于區塊鏈的分布式隱私計算方法及裝置，以克服上述缺陷。

發明內容

本發明的目的在于提供一種新型的基于區塊鏈的分布式隱私計算方法及裝置，其數據隱私安全性好，降低計算成本，提高節點數據共享的積極性。

為了達到上述目的，本發明提供一種基于區塊鏈的分布式隱私計算方法，包括如下步驟：

步驟一、通過計算請求客戶端發布計算任務和初始模型，再通過資源調度模塊根據計算任務對加密密鑰進行秘密分解；

步驟二、通過任務分發模塊根據任務分解選擇合適的計算節點進行任務分發，計算節點進行驗證后返回任務認領確認消息給計算請求客戶端；

步驟三、計算請求客戶端接收到任務認領確認消息后，調用智能合約接口編寫利益分配智能合約，并上傳至區塊鏈網絡；

步驟四、各計算節點認領任務后下載訓練模型進行聯邦訓練，并將計算結果返回給計算請求客戶端；

步驟五、計算請求客戶端調用安全驗證模塊對計算節點傳回的結果進行驗證，并對各方訓練結果進行融合得到最終聯邦模型；

步驟六、智能合約利用利益分配函數對各計算節點進行利益分配，并根據利益分配結果實時分發激勵，同時將執行過程和各用戶的最新資產狀態上鏈存儲，實現資產和激勵存證。

本發明另一方面提供一種基于區塊鏈的分布式隱私計算裝置，包括：區塊鏈基礎設施層、分布式并行計算層和界面展示層；