CN109167695B - 基于联邦学习的联盟网络构建方法、设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种基于联邦学习的联盟网络构建方法，包括：构建初始联盟网络；当监测到联合建模请求时，依据所述联合建模请求，从所述初始联盟网络中选择建模参与方节点；向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络。本发明还公开了一种基于联邦学习的联盟网络构建设备及计算机可读存储介质。本发明能够在相互利用业务数据的同时，保证各方企业的数据隐私。

Description

基于联邦学习的联盟网络构建方法、设备及可读存储介质

技术领域

本发明涉及联盟网络的技术领域，尤其涉及一种基于联邦学习的联盟网络构建方法、设备及可读存储介质。

背景技术

企业为提高业务效果，通常通过收集用户行为数据，并对用户行为数据进行大数据分析的方式，给用户推荐商品或进行风险控制等，进而提高收益或降低风险，而单个企业的业务数据是有限的，当需要利用其它企业的业务数据以提高业务效果时，企业双方需要安排人员面谈协商，在协商成功之后，各方企业才可以相互利用对方的业务数据。

然而，各方企业相互利用对方的用户行为数据时，无法保证各方企业的数据隐私，存在安全隐患，无法在相互利用业务数据的同时，保证各方企业的数据隐私，因此，如何在相互利用业务数据的同时，保证各方企业的数据隐私是目前亟待解决的问题。

发明内容

本发明的主要目的在于提供一种基于联邦学习的联盟网络构建方法、设备及可读存储介质，旨在相互利用业务数据的同时，保证各方企业的数据隐私。

为实现上述目的，本发明提供一种基于联邦学习的联盟网络构建方法，所述基于联邦学习的联盟网络构建方法包括以下步骤：

构建初始联盟网络；

当监测到联合建模请求时，依据所述联合建模请求，从所述初始联盟网络中选择建模参与方节点；

向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络。

进一步地，依据所述联合建模请求，从所述初始联盟网络中选择建模参与方节点的步骤包括：

从所述联合建模请求中读取建模参与方标签组，并获取所述初始联盟网络的联盟参与方标签组；

将所述建模参与方标签组中的建模参与方标签与所述联盟参与方标签组中的联盟参与方标签进行匹配；

将匹配到的联盟参与方标签对应的联盟参与方节点，确定为建模参与方节点。

进一步地，所述各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络的步骤包括：

各建模参与方节点对各自的样本数据进行处理，以获取各自的梯度值和损失值，并加密各自的梯度值和损失值，且各建模参与方节点之间互传加密后的梯度值和损失值；

各建模参与方节点将各自加密的梯度值和损失值与互传的加密的梯度值和损失值结合，得到各自加密的总梯度值和总损失值；

各建模参与方节点将各自加密的总梯度值和总损失值传输至解密节点，且各建模参与方节点依据所述解密节点解密返回的各自总损失值和历史损失值，确定各自的待训练业务模型是否收敛；

若各建模参与方节点的各自的待训练业务模型收敛，则各建模参与方节点以收敛时的各自模型参数，构建包含各建模参与方节点的各自业务模型的目标联盟网络。

进一步地，所述加密各自的梯度值和损失值的步骤包括：

各建模参与方节点获取预设公有密钥，并依据所述预设公有密钥对各自的梯度值和损失值进行同态加密。

进一步地，所述依据各建模参与方节点的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络的步骤之后，还包括：

控制各建模参与方节点依据各自的业务模型执行对应的业务流程，并在经过预设时间后，获取各建模参与方节点的业务数据；

依据各建模参与方节点的业务数据，计算各建模参与方节点的业务指标值；

依据各建模参与方节点的业务指标值，确定数字权益互换策略，且执行所述数字权益互换策略。

进一步地，所述依据各建模参与方节点的业务指标值，确定数字权益互换策略的步骤包括：

计算各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值；

依据各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值，确定数字权益互换策略。

进一步地，所述依据各建模参与方节点的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络的步骤之后，还包括：

当接收到联盟网络接入请求时，从所述目标联盟网络接入请求中获取联盟邀请码，并对所述联盟邀请码进行校验；

当所述联盟邀请码通过校验时，将所述联盟邀请码对应的联盟参与方接入所述目标联盟网络。

进一步地，对所述联盟邀请码进行校验的步骤包括：

获取所述联盟网络的联盟邀请码集合，并判断所述联盟邀请码是否位于所述联盟邀请码集合；

若所述联盟邀请码位于所述联盟邀请码集合，则确定所述联盟邀请码通过校验，否则确定所述联盟邀请码未通过校验。

此外，为实现上述目的，本发明还提供一种基于联邦学习的联盟网络构建设备，所述基于联邦学习的联盟网络构建设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于联邦学习的联盟网络构建程序，所述基于联邦学习的联盟网络构建程序被所述处理器执行时实现如上所述的基于联邦学习的联盟网络构建方法的步骤。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于联邦学习的联盟网络构建程序，所述基于联邦学习的联盟网络构建程序被处理器执行时实现如上所述的基于联邦学习的联盟网络构建方法的步骤。

本发明提供一种基于联邦学习的联盟网络构建方法、设备及计算机可读存储介质，本发明通过构建初始联盟网络，并当监测到联合建模请求时，依据该联合建模请求，从构建的初始联盟网络中选择建模参与方节点，然后向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络，通过上述方式，各方企业作为节点接入初始联盟网络中，在发起联合建模请求时，各建模参与方节点，即参与联合建模的企业，可依据各自的样本数据，执行联合建模操作，构建包含各自业务模型的目标联盟网络，能够在相互利用业务数据的同时，保证各方企业的数据隐私。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本发明基于联邦学习的联盟网络构建方法第一实施例的流程示意图；

图3为本发明基于联邦学习的联盟网络构建方法第三实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。

本发明实施例基于联邦学习的联盟网络构建设备可以是PC，也可以是智能手机、平板电脑、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该基于联邦学习的联盟网络构建设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的基于联邦学习的联盟网络构建设备结构并不构成对基于联邦学习的联盟网络构建设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于联邦学习的联盟网络构建程序。

在图1所示的基于联邦学习的联盟网络构建设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于联邦学习的联盟网络构建程序，并执行以下步骤：

构建初始联盟网络；

当监测到联合建模请求时，依据所述联合建模请求，从所述初始联盟网络中选择建模参与方节点；

向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络。

进一步地，处理器1001可以用于调用存储器1005中存储的基于联邦学习的联盟网络构建程序，还执行以下步骤：

从所述联合建模请求中读取建模参与方标签组，并获取所述初始联盟网络的联盟参与方标签组；

将所述建模参与方标签组中的建模参与方标签与所述联盟参与方标签组中的联盟参与方标签进行匹配；

将匹配到的联盟参与方标签对应的联盟参与方节点，确定为建模参与方节点。

进一步地，处理器1001可以用于调用存储器1005中存储的基于联邦学习的联盟网络构建程序，还执行以下步骤：

各建模参与方节点对各自的样本数据进行处理，以获取各自的梯度值和损失值，并加密各自的梯度值和损失值，且各建模参与方节点之间互传加密后的梯度值和损失值；

各建模参与方节点将各自加密的梯度值和损失值与互传的加密的梯度值和损失值结合，得到各自加密的总梯度值和总损失值；

各建模参与方节点将各自加密的总梯度值和总损失值传输至解密节点，且各建模参与方节点依据所述解密节点解密返回的各自总损失值和历史损失值，确定各自的待训练业务模型是否收敛；

若各建模参与方节点的各自的待训练业务模型收敛，则各建模参与方节点以收敛时的各自模型参数，构建包含各建模参与方节点的各自业务模型的目标联盟网络。

进一步地，处理器1001可以用于调用存储器1005中存储的基于联邦学习的联盟网络构建程序，还执行以下步骤：

各建模参与方节点获取预设公有密钥，并依据所述预设公有密钥对各自的梯度值和损失值进行同态加密。

进一步地，处理器1001可以用于调用存储器1005中存储的基于联邦学习的联盟网络构建程序，还执行以下步骤：

控制各建模参与方节点依据各自的业务模型执行对应的业务流程，并在经过预设时间后，获取各建模参与方节点的业务数据；

依据各建模参与方节点的业务数据，计算各建模参与方节点的业务指标值；

依据各建模参与方节点的业务指标值，确定数字权益互换策略，且执行所述数字权益互换策略。

进一步地，处理器1001可以用于调用存储器1005中存储的基于联邦学习的联盟网络构建程序，还执行以下步骤：

计算各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值；

依据各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值，确定数字权益互换策略。

进一步地，处理器1001可以用于调用存储器1005中存储的基于联邦学习的联盟网络构建程序，还执行以下步骤：

当接收到联盟网络接入请求时，从所述目标联盟网络接入请求中获取联盟邀请码，并对所述联盟邀请码进行校验；

当所述联盟邀请码通过校验时，将所述联盟邀请码对应的联盟参与方接入所述目标联盟网络。

进一步地，处理器1001可以用于调用存储器1005中存储的基于联邦学习的联盟网络构建程序，还执行以下步骤：

获取所述联盟网络的联盟邀请码集合，并判断所述联盟邀请码是否位于所述联盟邀请码集合；

若所述联盟邀请码位于所述联盟邀请码集合，则确定所述联盟邀请码通过校验，否则确定所述联盟邀请码未通过校验。

本发明基于联邦学习的联盟网络构建设备的具体实施例与下述基于联邦学习的联盟网络构建方法的各具体实施例基本相同，在此不作赘述。

参照图2，图2为本发明基于联邦学习的联盟网络构建方法第一实施例的流程示意图。

步骤S101，构建初始联盟网络；

本实施例中，构建一初始联盟网络，联盟参与方，即合作企业接入初始联盟网络中，具体包括合作企业创建账户、认证合作企业和对待接入联盟网络的合作企业进行审批，在审批通过后，将合作企业作为联盟参与方节点接入联盟网络中。其中，合作企业接入联盟网络后，合作企业执行产品签约流程，包括产品选择、有效期设置、业务场景设置和到期续签等，产品签约完成之后，合作企业依据业务场景定制应用。其中，初始联盟网络中的任一联盟参与方节点，即任一合作企业均可以选择其余联盟参与方节点(合作企业)进行联合建模。具体实施中，当接收到联盟网络接入请求时，从该初始联盟网络接入请求中获取联盟邀请码，并对该联盟邀请码进行校验，然后当该联盟邀请码通过校验时，将该联盟邀请码对应的联盟参与方接入该目标联盟网络。

步骤S102，当监测到联合建模请求时，依据所述联合建模请求，从所述初始联盟网络中选择建模参与方节点；

本实施例中，当初始联盟网络中的某联盟参与方节点(合作企业)需要联合其它联盟参与方节点(合作企业)执行联合建模操作时，联盟参与方节点(合作企业)的管理员通过任一终端设备登录初始联盟网络，登录初始联盟网络之后，终端设备显示联合建模配置页面，管理员通过该联合建模配置页面可选择联合建模规则和参与联合建模的联盟参与方节点，即建模参与方节点，当接收到管理员选择的联合建模规则和参与联合建模的联盟参与方节点，即建模参与方节点时，生成携带有联合建模规则标签和建模参与方标签组的联合建模请求，并将该联合建模请求发送至联盟网络构建设备中。其中，上述联合建模规则可由本领域技术人员基于实际情况进行设置，本实施例对此不作具体限定。

当监测到联合建模请求时，依据联合建模请求，从该初始联盟网络中选择建模参与方节点，即参与联合建模的联盟参与方节点。具体地，从该初始联合建模请求中读取建模参与方标签组，并获取该联盟网络的联盟参与方标签组，将该建模参与方标签组中的建模参与方标签与联盟参与方标签组中的联盟参与方标签进行匹配，并将匹配到的联盟参与方标签对应的联盟参与方节点，确定为建模参与方节点。其中，联盟参与方标签组包含联盟网络中全部联盟参与方的标签。

步骤S103，向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络。

本实施例中，在确定建模参与方节点之后，向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络。其中，联合建模过程中，各建模参与方节点的样本数据均位于各建模参与方节点的本地，整个联合建模过程均为本地计算，各建模参与方节点间交换的数据为加密的模型参数，可以保护各建模参与方节点的数据隐私。其中，该联合建模请求中还携带有联合建模规则标签，通过该联合建模规则标签可确定对应的联合建模规则，即联盟网络预设置有若干联合建模规则，不同的联合建模规则，对应不同的联合建模操作，且对业务效果的提升程度也不同。具体实施中，各建模参与方节点之间还部署有区块链通信通道，该区块链通信通道用于传输各建模参与方节点间交换的加密数据，可以进一步地保证数据传输过程中的安全性。

具体地，各建模参与方节点对各自的样本数据进行处理，以获取各自的梯度值和损失值，并加密各自的梯度值和损失值，且各建模参与方节点之间互传加密后的梯度值和损失值；各建模参与方节点将各自加密的梯度值和损失值与互传的加密的梯度值和损失值结合，得到各自加密的总梯度值和总损失值；各建模参与方节点将各自加密的总梯度值和总损失值传输至解密节点，且各建模参与方节点依据所述解密节点解密返回的各自总损失值和历史损失值，确定各自的待训练业务模型是否收敛，即计算总损失值与历史损失值之间的差值，并判断该差值是否小于或等于预设阈值，如果该差值小于或等于预设阈值，则确定待训练业务模型收敛，如果该差值大于预设阈值，则确定待训练业务模型未收敛；若各建模参与方节点的各自的待训练业务模型收敛，则各建模参与方节点以收敛时的各自模型参数，构建包含各建模参与方节点的各自业务模型的目标联盟网络，如果待训练业务模型未收敛，则各建模参与方节点依据解密节点解密返回的各自的总梯度值，更新本地梯度，并在本地梯度更新之后，继续执行联合建模操作，其中，业务模型包括但不限于联合风控模型和联合营销模型。需要说明的是，上述预设阈值可由本领域技术人员基于实际情况进行设置，本实施例对此不作具体限定。

进一步地，各建模参与方节点获取预设公有密钥，并依据预设公有密钥对各自的梯度值和损失值进行同态加密，其中，对经过同态加密的数据进行处理得到一个输出，将这一输出进行解密，其结果与用同一方法处理未加密的原始数据得到的输出结果是一样的。

本实施例中，本发明通过构建初始联盟网络，并当监测到联合建模请求时，依据该联合建模请求，从构建的初始联盟网络中选择建模参与方节点，然后向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络，通过上述方式，各方企业作为节点接入初始联盟网络中，在发起联合建模请求时，各建模参与方节点，即参与联合建模的企业，可依据各自的样本数据，执行联合建模操作，构建包含各自业务模型的目标联盟网络，能够在相互利用业务数据的同时，保证各方企业的数据隐私。

进一步地，基于上述第一实施，提出了本发明基于联邦学习的联盟网络构建方法的第二实施例，与前述实施例的区别在于，步骤S103之后，还包括：

步骤a1，控制各建模参与方节点依据各自的业务模型执行对应的业务流程，并在经过预设时间后，获取各建模参与方节点的业务数据；

本实施例中，在各建模参与方节点的各自业务模型建立完成之后，控制各建模参与方节点依据各自的业务模型执行对应的业务流程，如业务模型为优惠券发放模型，则建模参与方节点依据该优惠券发放模型，将各类以及各面值的优惠券发放给对应的用户人群；又如业务模型为商品推荐模型，则建模参与方节点依据该商品推荐模型给不同的用户人群推荐合适的商品；在执行对应业务流程的过程中，收集业务数据，并在经过预设时间后，如使用业务模型执行业务流程一天后，获取各建模参与方节点的业务数据。需要说明的是，上述预设时间可由本领域技术人员基于实际情况进行设置，本实施例对此不作具体限定。

步骤a2，依据各建模参与方节点的业务数据，计算各建模参与方节点的业务指标值；

本实施例中，在获取到各建模参与方节点的业务数据之后，依据各建模参与方节点的业务数据，计算各建模参与方节点的业务指标值，包含但不限于坏账率和转化率(优惠券使用率和商品推荐购买率等)，例如，在优惠券发放模型下，业务指标为优惠券使用率，具体为统计业务数据中优惠券的发放总数量，以及统计业务数据中优惠券的使用总数量，用优惠券的使用总数量除以优惠券的发放总数量，即可得到优惠券使用率，又例如，在商品推荐模型下，业务指标为商品推荐购买率，具体为统计业务数据中全部推荐商品的总推荐数量，以及统计业务数据中全部推荐商品的总购买数量，用全部推荐商品的总购买数量除以全部推荐商品的总推荐数量，即可得到商品推荐购买率。进一步地，在计算得到各建模参与方节点的业务指标值之后，将各建模参与方节点的业务指标值存储至预设区块链中，可以防止业务指标值被篡改，提高业务指标值安全性和可靠性。

步骤a3，依据各建模参与方节点的业务指标值，确定数字权益互换策略，且执行所述数字权益互换策略。

本实施例中，在计算得到各建模参与方节点的业务指标值之后，依据各建模参与方节点的业务指标值，确定数字权益互换策略，且执行数字权益互换策略。具体地，计算各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值，如在优惠券发放模型下，计算优惠券使用率与历史优惠券使用率的差值；又如在商品推荐模型下，计算商品推荐购买率与历史商品推荐购买率的差值；然后依据各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值，确定各建模参与方节点的数字权益互换策略，即查询业务指标差值与数字权益互换策略的映射关系表，获取业务指标差值对应的数字权益互换策略，且执行该数字权益互换策略。其中，各建模参与方节点的历史业务指标值为执行联合建模操作之前的业务指标值，数字权益互换策略包括但不限于各建模参与方节点之间的积分互换、优惠券互换和会员共享。需要说明的是，业务效果提升程度越高，则获取到的收益也越高。

例如，假设建模参与方节点为A和B，且建模参与方节点A的业务模型为优惠券发放模型，建模参与方节点B的业务模型为商品推荐模型，则建模参与方节点为A和B通过联合建模之后，建模参与方节点A建立新的优惠券发放模型，建模参与方节点B建立新的商品推荐模型，建模参与方节点A使用新的优惠券发放模型发放优惠券之后，计算得到的优惠券使用率为5‰，而历史优惠券使用率为3‰，建模参与方节点B使用新的商品推荐模型发放优惠券之后，计算得到的商品推荐购买率为6‰，而历史商品推荐购买率为5‰，通过对比优惠券使用率和历史优惠券使用率，可知建模参与方节点A的业务效果得到提升，且优惠券使用率提升2‰，则数字权益互换策略为建模参与方节点A给予对应金额激励至建模参与方节点B，或建模参与方节点A给予建模参与方节点B一定数额的积分互换额度，通过对比商品推荐购买率和历史商品推荐购买率，可知建模参与方节点B的业务效果得到提升，且商品推荐购买率提升1‰，数字权益互换策略为建模参与方节点B给予对应金额激励至建模参与方节点A，或建模参与方节点B给予建模参与方节点A一定数额的积分互换额度。

本实施例中，在联合建模之后，联盟网络中的各建模参与方的业务效果均得到提升，通过业务指标值可以直观的确定提升效果，便于各建模参与方互换数据权益，可以激励联盟网络中的企业参与联合建模。

进一步地，参照图3，基于上述第一或第二实施例，提出了本发明基于联邦学习的联盟网络构建方法的第三实施例，与前述实施例的区别在于，基于联邦学习的联盟网络构建方法还包括：

步骤S104，当接收到联盟网络接入请求时，从目标联盟网络接入请求中获取联盟邀请码，并对联盟邀请码进行校验；

步骤S105，当联盟邀请码通过校验时，将联盟邀请码对应的联盟参与方接入目标联盟网络。

本实施例中，当接收到联盟网络接入请求时，设备从目标联盟网络接入请求中获取联盟邀请码，并对联盟邀请码进行校验，当联盟邀请码通过校验时，将联盟邀请码对应的联盟参与方接入目标联盟网络。其中，当有的新的合作企业想要接入目标联盟网络时，需要目标联盟网络给合作企业发放随机生成的联盟邀请码，且将该联盟邀请码写入联盟网络的联盟邀请码集合中，新和合作企业生成携带有联盟邀请码的联盟网络接入请求。

具体地，获取联盟网络的联盟邀请码集合，并判断联盟邀请码是否位于联盟邀请码集合，若联盟邀请码位于联盟邀请码集合，则确定联盟邀请码通过校验，否则确定联盟邀请码未通过校验。

本实施例中，本发明在新和合作企业接入联盟网络时，需要执行校验操作，在校验通过后，将合作企业作为联盟参与方节点接入联盟网络，保证联盟网络的安全性。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于联邦学习的联盟网络构建程序，所述基于联邦学习的联盟网络构建程序被处理器执行时，执行以下步骤：

构建初始联盟网络；

当监测到联合建模请求时，依据所述联合建模请求，从所述初始联盟网络中选择建模参与方节点；

向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络。

进一步地，所述基于联邦学习的联盟网络构建程序被处理器执行时，还执行以下步骤：

从所述联合建模请求中读取建模参与方标签组，并获取所述初始联盟网络的联盟参与方标签组；

将所述建模参与方标签组中的建模参与方标签与所述联盟参与方标签组中的联盟参与方标签进行匹配；

将匹配到的联盟参与方标签对应的联盟参与方节点，确定为建模参与方节点。

进一步地，所述基于联邦学习的联盟网络构建程序被处理器执行时，还执行以下步骤：

各建模参与方节点对各自的样本数据进行处理，以获取各自的梯度值和损失值，并加密各自的梯度值和损失值，且各建模参与方节点之间互传加密后的梯度值和损失值；

各建模参与方节点将各自加密的梯度值和损失值与互传的加密的梯度值和损失值结合，得到各自加密的总梯度值和总损失值；

各建模参与方节点将各自加密的总梯度值和总损失值传输至解密节点，且各建模参与方节点依据所述解密节点解密返回的各自总损失值和历史损失值，确定各自的待训练业务模型是否收敛；

若各建模参与方节点的各自的待训练业务模型收敛，则各建模参与方节点以收敛时的各自模型参数，构建包含各建模参与方节点的各自业务模型的目标联盟网络。

进一步地，所述基于联邦学习的联盟网络构建程序被处理器执行时，还执行以下步骤：

各建模参与方节点获取预设公有密钥，并依据所述预设公有密钥对各自的梯度值和损失值进行同态加密。

进一步地，所述基于联邦学习的联盟网络构建程序被处理器执行时，还执行以下步骤：

控制各建模参与方节点依据各自的业务模型执行对应的业务流程，并在经过预设时间后，获取各建模参与方节点的业务数据；

依据各建模参与方节点的业务数据，计算各建模参与方节点的业务指标值；

依据各建模参与方节点的业务指标值，确定数字权益互换策略，且执行所述数字权益互换策略。

进一步地，所述基于联邦学习的联盟网络构建程序被处理器执行时，还执行以下步骤：

计算各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值；

依据各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值，确定数字权益互换策略。

进一步地，所述基于联邦学习的联盟网络构建程序被处理器执行时，还执行以下步骤：

当接收到联盟网络接入请求时，从所述目标联盟网络接入请求中获取联盟邀请码，并对所述联盟邀请码进行校验；

当所述联盟邀请码通过校验时，将所述联盟邀请码对应的联盟参与方接入所述目标联盟网络。

进一步地，所述基于联邦学习的联盟网络构建程序被处理器执行时，还执行以下步骤：

获取所述联盟网络的联盟邀请码集合，并判断所述联盟邀请码是否位于所述联盟邀请码集合；

若所述联盟邀请码位于所述联盟邀请码集合，则确定所述联盟邀请码通过校验，否则确定所述联盟邀请码未通过校验。

本发明计算机可读存储介质的具体实施例与上述基于联邦学习的联盟网络构建方法各实施例基本相同，在此不作赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于联邦学习的联盟网络构建方法，其特征在于，所述基于联邦学习的联盟网络构建方法包括以下步骤：

构建初始联盟网络；

当监测到联合建模请求时，依据所述联合建模请求，从所述初始联盟网络中选择建模参与方节点；

向各建模参与方节点发送联合建模指令，以供各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络；

其中，所述各建模参与方节点依据各自的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络的步骤包括：

各建模参与方节点对各自的样本数据进行处理，以获取各自的梯度值和损失值，并加密各自的梯度值和损失值，且各建模参与方节点之间互传加密后的梯度值和损失值；

各建模参与方节点将各自加密的梯度值和损失值与互传的加密的梯度值和损失值结合，得到各自加密的总梯度值和总损失值；

各建模参与方节点将各自加密的总梯度值和总损失值传输至解密节点，且各建模参与方节点依据所述解密节点解密返回的各自总损失值和历史损失值，确定各自的待训练业务模型是否收敛；

若各建模参与方节点的各自的待训练业务模型收敛，则各建模参与方节点以收敛时的各自模型参数，构建包含各建模参与方节点的各自业务模型的目标联盟网络。

2.如权利要求1所述的基于联邦学习的联盟网络构建方法，其特征在于，依据所述联合建模请求，从所述初始联盟网络中选择建模参与方节点的步骤包括：

从所述联合建模请求中读取建模参与方标签组，并获取所述初始联盟网络的联盟参与方标签组；

将所述建模参与方标签组中的建模参与方标签与所述联盟参与方标签组中的联盟参与方标签进行匹配；

将匹配到的联盟参与方标签对应的联盟参与方节点，确定为建模参与方节点。

3.如权利要求1所述的基于联邦学习的联盟网络构建方法，其特征在于，所述加密各自的梯度值和损失值的步骤包括：

各建模参与方节点获取预设公有密钥，并依据所述预设公有密钥对各自的梯度值和损失值进行同态加密。

4.如权利要求1-3中任一项所述的基于联邦学习的联盟网络构建方法，其特征在于，所述依据各建模参与方节点的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络的步骤之后，还包括：

控制各建模参与方节点依据各自的业务模型执行对应的业务流程，并在经过预设时间后，获取各建模参与方节点的业务数据；

依据各建模参与方节点的业务数据，计算各建模参与方节点的业务指标值；

依据各建模参与方节点的业务指标值，确定数字权益互换策略，且执行所述数字权益互换策略。

5.如权利要求4所述的基于联邦学习的联盟网络构建方法，其特征在于，所述依据各建模参与方节点的业务指标值，确定数字权益互换策略的步骤包括：

计算各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值；

依据各建模参与方节点的业务指标值与对应历史业务指标值的业务指标差值，确定数字权益互换策略。

6.如权利要求1-3中任一项所述的基于联邦学习的联盟网络构建方法，其特征在于，所述依据各建模参与方节点的样本数据，执行联合建模操作，以构建包含各建模参与方节点的各自业务模型的目标联盟网络的步骤之后，还包括：

当接收到联盟网络接入请求时，从所述目标联盟网络接入请求中获取联盟邀请码，并对所述联盟邀请码进行校验；

当所述联盟邀请码通过校验时，将所述联盟邀请码对应的联盟参与方接入所述目标联盟网络。

7.如权利要求6所述的基于联邦学习的联盟网络构建方法，其特征在于，对所述联盟邀请码进行校验的步骤包括：

获取所述联盟网络的联盟邀请码集合，并判断所述联盟邀请码是否位于所述联盟邀请码集合；

若所述联盟邀请码位于所述联盟邀请码集合，则确定所述联盟邀请码通过校验，否则确定所述联盟邀请码未通过校验。

8.一种基于联邦学习的联盟网络构建设备，其特征在于，所述基于联邦学习的联盟网络构建设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于联邦学习的联盟网络构建程序，所述基于联邦学习的联盟网络构建程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于联邦学习的联盟网络构建方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于联邦学习的联盟网络构建程序，所述基于联邦学习的联盟网络构建程序被处理器执行时实现如权利要求1至7中任一项所述的基于联邦学习的联盟网络构建方法的步骤。

Images