[發明專利]一種基于區塊鏈的去中心化聯邦學習方法及系統

在審

• 申請號: 202210406167.2
• 申請日: 2022-04-18
• 公開（公告）號: CN114978893A
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 伍衛國;王雄;楊詩園;柴玉香;張超;張祥俊;劉松
• 申請（專利權）人: 西安交通大學
• 主分類號: H04L41/0806
• 分類號: H04L41/0806;H04L41/0823;H04L41/14;H04L41/16;H04L41/042;H04L9/32
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李鵬威

本發明公開了一種基于區塊鏈的去中心化聯邦學習方法及系統，通過將本地設備和邊緣服務器進行系統注冊并初始化；根據模型請求信息匹配與該模型請求信息匹配度最高的本地設備，利用本地參數對模型請求信息生成的初始模型進行局部訓練，局部模型上傳至與用于訓練的本地設備綁定的邊緣服務器，對收到的多個局部模型的參數進行全局聚合即可完成模型請求信息的訓練任務，本地訓練設備與邊緣服務器相互綁定，減少共識節點的數量，有助于減少模型訓練時間，基于區塊鏈的去中心化聯邦學習方法不但解決了集中式聯邦學習的單點故障問題，還能夠有效地促使本地設備貢獻出樣本數據。去中心化聯邦學習方法的提出能夠有效降低模型訓練的時間，提高模型訓練效率。

技術領域

本申請涉及計算機數據處理技術領域，特別是涉及一種基于區塊鏈的去中心化聯邦學習方法及系統。

背景技術

傳統的機器學習方案需要在集中式服務器上遠端收集樣本數據，這引發了對用戶個人數據的隱私和濫用的擔憂。隨著監管環境的變化，機器學習在使用此類數據方面也面臨著越來越嚴苛的限制。近年來，聯邦學習已成為解決機器學習中敏感數據問題的一種方案。但是聯邦學習本身也存在服務器單點故障和無法激勵本地設備參與模型訓練等問題，所以如何集成現有的技術來解決聯邦學習的缺陷問題，進而保證用戶數據的安全性和模型訓練的可靠性是目前研究的一個熱點。

傳統的聯邦學習模型采用中心化拓撲結構，該結構依賴于單一的中央服務器，在惡意攻擊下，極易受到服務器故障的影響，這將可能導致全局模型更新出錯，進而影響所有的本地模型更新。具有較多數據樣本的本地設備全全局訓練的貢獻更大，所以在不提供獎勵的情況下，這樣的設備不太愿意與擁有少量數據樣本的其它設備聯合訓練。此外，中心化聯邦學習還存在通信負載高、寬帶利用率低等問題，因此，如何在確保用戶數據的安全性的同時提高模型訓練的可靠性是目前急需解決的問題。

發明內容

本發明的目的在于提供一種基于區塊鏈的去中心化聯邦學習方法及系統，以克服現有技術的不足，本發明能夠有效的解決聯邦學習的單點故障、不存在激勵機制的問題，使得模型訓練系統的寬帶利用率、網絡通信負載以及聯邦學習的模型達到理想的指標。

一種基于區塊鏈的去中心化聯邦學習方法，包括以下步驟：

S1，將本地設備和邊緣服務器進行系統注冊并初始化；

S2，根據模型請求信息匹配與該模型請求信息匹配度最高的本地設備，利用匹配的本地設備的本地參數對模型請求信息生成的初始模型進行局部訓練，將局部訓練完成的局部模型上傳至與用于訓練的本地設備綁定的邊緣服務器；

S3，對收到的多個局部模型的參數進行全局聚合即可完成模型請求信息的訓練任務。

進一步的，本地設備和邊緣服務器進行系統注冊并初始化后進行綁定，本地設備與其綁定的邊緣服務器進行信息交互。

進一步的，發布者發布模型請求信息時進行身份驗證，并將模型請求信息傳送至邊緣服務器。

進一步的，邊緣服務器根據模型請求信息生成初始模型。

進一步的，本地設備首先利用Hash函數生成信息的摘要，再利用自身的私鑰Pri_k對摘要加密生成數字簽名，然后一并上傳到邊緣服務器中。

進一步的，邊緣服務器在接收每次局部迭代中每個本地訓練設備上傳信息后，驗證該信息的真實性和評估該局部模型參數的準確性，邊緣服務器在接收到本地設備上傳的信息后，將會對這些信息展開驗證，包括本地方法的版本號是否正確，通過簽名檢查本地方法的梯度參數是否被惡意篡改。

進一步的，采用拜占庭容錯算法作為共識算法對多個局部模型的參數進行全局聚合。

一種基于區塊鏈的去中心化聯邦學習系統，包括數據采集模塊、聚合模塊和驗證模塊；