CN110827147A - 一种基于联盟链的联邦学习激励方法及系统 - Google Patents
一种基于联盟链的联邦学习激励方法及系统 Download PDFInfo
- Publication number
- CN110827147A CN110827147A CN201911054579.9A CN201911054579A CN110827147A CN 110827147 A CN110827147 A CN 110827147A CN 201911054579 A CN201911054579 A CN 201911054579A CN 110827147 A CN110827147 A CN 110827147A
- Authority
- CN
- China
- Prior art keywords
- data
- transaction
- consumer
- data provider
- provider
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于联盟链的联邦学习激励方法,涉及区块链技术领域,采用技术方案包括:将交易主体和运营主体构建成一个联盟链;对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度;运营主体利用确定的共有用户群体和共有特征维度训练机器学习模型,直至损失函数收敛,完成模型训练;运营主体对联盟链上发生的行为进行信誉评分,将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护。本发明还公开一种基于联盟链的联邦学习激励系统,其与前述方法相同,可以解决数据孤岛问题,还能保障数据交互过程中的安全性。
Description
技术领域
本发明涉及区块链技术领域,具体的说是一种基于联盟链的联邦学习激励方法及系统。
背景技术
联盟链,只针对特定某个群体的成员和有限的第三方,内部指定多个预选的节点为记账人,每个块的生成由所有的预选节点共同决定,其他接入节点可以参与交易,但不过问记账过程,其他第三方可以通过该区块链开放的API进行限定查询。为了获得更好的性能,联盟链对于共识或验证节点的配置和网络环境有一定要求。有了准入机制,可以使得交易性能更容易提高,避免由参次不齐的参与者产生的一些问题。
联邦机器学习又名联邦学习,联合学习,联盟学习。联邦机器学习是一个机器学习框架,能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模。
数据是机器学习的基础。而在大多数行业中,由于行业竞争、隐私安全、行政手续复杂等问题,数据常常是以孤岛的形式存在的。甚至即使是在同一个公司的不同部门之间实现数据集中整合也面临着重重阻力。在现实中想要将分散在各地、各个机构的数据进行整合几乎是不可能的,或者说所需的成本是巨大的。
基于此,提出一种基于联盟链的联邦学习激励方法及系统,来打破数据孤岛,同时保障数据安全。
发明内容
本发明针对目前技术发展的需求和不足之处,提供一种基于联盟链的联邦学习激励方法及系统。
首先,本发明提供一种基于联盟链的联邦学习激励方法,解决上述技术问题采的技术方案如下:
一种基于联盟链的联邦学习激励方法,该方法的实现过程包括:
S10、将交易主体和运营主体构建成一个联盟链;
S20、对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度;
S30、运营主体利用确定的共有用户群体和共有特征维度训练机器学习模型,直至损失函数收敛,完成模型训练;
S40、运营主体对联盟链上发生的行为进行信誉评分,将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护。
具体的,所涉及交易主体和运营主体均为联盟链上的节点;
所述交易主体为数据提供方和数据消费方;
所述运营主体为第三方机构;
将交易主体和运营主体构建成一个联盟链,这一过程实际上就是:
将参与共同训练机器学习模型的中间数据的数据提供方和消费方以及第三方机构构建一个联盟链。
更具体的,对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度,具体操作内容包括:
S21、对数据提供方和数据消费方的用户群体进行加密;
S22、对数据提供方和数据消费方加密后的用户群体进行对齐;
S23、对齐后,在不公开用户群体的前提下,确认数据提供方和数据消费方的共有群体、以及各自拥有的不互相重叠的用户群体;
S24、根据确认结果,进一步确认数据提供方和数据消费方的共有特征维度。
更具体的,所涉及机器学习模型为线性回归模型时,运营主体训练机器学习模型的具体过程包括:
S31、第三方机构把公钥分别发送给数据提供方和数据消费方,用以对训练过程中需要交换的数据进行加密;
S32、数据提供方和数据消费方分别通过训练计算用户群体和共有特征维度的中间梯度结果;
S33、数据提供方和数据消费方分别基于加密的梯度值进行计算,同时,数据提供方和数据消费方根据其标签数据计算损失,并把这些结果汇总给第三方机构,第三方机构通过汇总结果计算总梯度并将其解密;
S34、第三方机构将解密后的梯度进行整合后分别回传给数据提供方和数据消费方,数据提供方和数据消费方根据各自拥有的不互相重叠的用户群体和共有特征维度结合回传的整合梯度,更新模型的参数;
S35、迭代前述步骤,直至损失函数收敛,完成机器学习模型的训练。
具体的,所涉及数据提供方和所述数据消费方的数据始终保留在本地,且在训练过程中,不会使用未加密的数据进行交互。
具体的,所涉及运营主体对联盟链上发生的行为进行信誉评分,将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护,这一过程的具体实现步骤包括:
S41、数据消费方通过第三方机构浏览数据提供方的信誉情况制定采购策略;
S42、数据消费方通过第三方机构接口向联盟链上的所有数据提供方发送交易请求;
S43、经过所有数据提供方的广播后,通过验证的交易请求被执行后向第三方机构返回执行结果,同时,联盟链通过判定数据提供方是否出现拜占庭错误给出节点评分;
S44、根据数据消费方和数据提供方的信誉积分达成交易协议后,进行资金、数据的传输;
S45、数据消费方根据对本次交易的满意程度针对数据提供方给出用户评分;
S46、完成一次完整的数据交易后,账本和信誉积分进行更新,并将更新后数据保存在联盟链上。
其次,本发明还提供一种基于联盟链的联邦学习激励系统,解决上述技术问题采的技术方案如下:
一种基于联盟链的联邦学习激励系统,其包括:
构建模块,用于将交易主体和运营主体构建成一个联盟链,所述交易主体为数据提供方和数据消费方,所述运营主体为第三方机构;
加密对齐模块,用于对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度;
训练收敛模块,辅助运营主体利用确定的共有用户群体和共有特征维度训练机器学习模型,直至损失函数收敛时完成模型训练;
评分激励模块,辅助运营主体对联盟链上发生的行为进行信誉评分,并将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护。
具体的,所涉及加密对齐模块对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度,这一过程的具体操作内容包括:
对数据提供方和数据消费方的用户群体进行加密;
对数据提供方和数据消费方加密后的用户群体进行对齐;
在不公开用户群体的前提下,确认数据提供方和数据消费方的共有群体、以及各自拥有的不互相重叠的用户群体;
根据确认结果,进一步确认数据提供方和数据消费方的共有特征维度。
具体的,所涉及机器学习模型为线性回归模型时,训练收敛模块完成模型训练的具体操作内容包括:
将第三方机构的公钥分别发送给数据提供方和数据消费方,并对训练过程中需要交换的数据进行加密;
数据提供方和数据消费方分别通过训练计算用户群体和共有特征维度的中间梯度结果;
数据提供方和数据消费方分别基于加密的梯度值进行计算,同时,数据提供方和数据消费方根据其标签数据计算损失,并把这些结果汇总给第三方机构,第三方机构通过汇总结果计算总梯度并将其解密;
第三方机构将解密后的梯度进行整合后分别回传给数据提供方和数据消费方,数据提供方和数据消费方根据各自拥有的不互相重叠的用户群体和共有特征维度结合回传的整合梯度,更新模型的参数;
迭代前述过程直至损失函数收敛,完成机器学习模型的训练。
具体的,所涉及评分激励模块进行信誉评分并完成激励的具体操作内容包括:
数据消费方浏览数据提供方的信誉情况制定采购策略;
数据消费方向联盟链上的所有数据提供方发送交易请求;
经过所有数据提供方的广播后,通过验证的交易请求被执行后返回执行结果,同时,联盟链通过判定数据提供方是否出现拜占庭错误给出节点评分;
根据数据消费方和数据提供方的信誉积分达成交易协议后,进行资金、数据的传输;
数据消费方根据对本次交易的满意程度针对数据提供方给出用户评分;
完成一次完整的数据交易后,账本和信誉积分进行更新,并将更新后数据保存在联盟链上。
本发明的一种基于联盟链的联邦学习激励方法及系统,与现有技术相比具有的有益效果是:
本发明通过构建联盟链,并在联盟链的节点之间进行加密后数据的交互,打破了数据孤岛,保证了数据安全,降低了数据交换的成本;另外,联盟链能够对交易节点提供维护账本的动力,激励联盟链中的节点参与账本维护,还能够减少交易之前对交易对象选择的盲目性。
附图说明
附图1是本发明实施例一的方法流程图;
附图2是本发明实施例一中步骤S20的流程图;
附图3是本发明实施例一中步骤S30的流程图;
附图4是本发明实施例一中步骤S40的流程图;
附图5是本发明实施例二的模块框图。
附图中各标号信息表示:
1、构建模块,2、加密对齐模块,3、训练收敛模块,4、评分激励模块。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白,以下结合具体实施例,对本发明的技术方案进行清楚、完整的描述。
实施例一:
结合附图1-4,本实施例提出一种基于联盟链的联邦学习激励方法,该方法的实现过程包括:
S10、将交易主体和运营主体构建成一个联盟链。
在这一步骤中,所涉及交易主体和运营主体均为联盟链上的节点。交易主体为数据提供方和数据消费方,运营主体为第三方机构。
在这一步骤中,将交易主体和运营主体构建成一个联盟链,这一过程实际上就是:
将参与共同训练机器学习模型的中间数据的数据提供方和消费方以及第三方机构构建一个联盟链;
S20、对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度。结合附图2,这一步骤的具体操作内容包括:
S21、对数据提供方和数据消费方的用户群体进行加密;
S22、对数据提供方和数据消费方加密后的用户群体进行对齐;
S23、对齐后,在不公开用户群体的前提下,确认数据提供方和数据消费方的共有群体、以及各自拥有的不互相重叠的用户群体;
S24、根据确认结果,进一步确认数据提供方和数据消费方的共有特征维度。
在步骤S20中,所涉及数据提供方和所述数据消费方的数据始终保留在本地。
S30、运营主体利用确定的共有用户群体和共有特征维度训练机器学习模型,直至损失函数收敛,完成模型训练。
结合附图3,机器学习模型为线性回归模型时,运营主体训练机器学习模型的具体过程包括:
S31、第三方机构把公钥分别发送给数据提供方和数据消费方,用以对训练过程中需要交换的数据进行加密;
S32、数据提供方和数据消费方分别通过训练计算用户群体和共有特征维度的中间梯度结果;
S33、数据提供方和数据消费方分别基于加密的梯度值进行计算,同时,数据提供方和数据消费方根据其标签数据计算损失,并把这些结果汇总给第三方机构,第三方机构通过汇总结果计算总梯度并将其解密;
S34、第三方机构将解密后的梯度进行整合后分别回传给数据提供方和数据消费方,数据提供方和数据消费方根据各自拥有的不互相重叠的用户群体和共有特征维度结合回传的整合梯度,更新模型的参数;
S35、迭代前述步骤,直至损失函数收敛,完成机器学习模型的训练。
在步骤S30中,所涉及数据提供方和所述数据消费方的数据始终保留在本地,且在训练过程中,不会使用未加密的数据进行交互。
S40、运营主体对联盟链上发生的行为进行信誉评分,将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护。结合附图4,这一过程的具体实现步骤包括:
S41、数据消费方通过第三方机构浏览数据提供方的信誉情况制定采购策略;
S42、数据消费方通过第三方机构接口向联盟链上的所有数据提供方发送交易请求;
S43、经过所有数据提供方的广播后,通过验证的交易请求被执行后向第三方机构返回执行结果,同时,联盟链通过判定数据提供方是否出现拜占庭错误给出节点评分;
S44、根据数据消费方和数据提供方的信誉积分达成交易协议后,进行资金、数据的传输;
S45、数据消费方根据对本次交易的满意程度针对数据提供方给出用户评分;
S46、完成一次完整的数据交易后,账本和信誉积分进行更新,并将更新后数据保存在联盟链上。
实施例二:
结合附图5,本实施例提出一种基于联盟链的联邦学习激励系统,其包括:
构建模块1,用于将交易主体和运营主体构建成一个联盟链,所述交易主体为数据提供方和数据消费方,所述运营主体为第三方机构;
加密对齐模块2,用于对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度;
训练收敛模块3,辅助运营主体利用确定的共有用户群体和共有特征维度训练机器学习模型,直至损失函数收敛时完成模型训练;
评分激励模块4,辅助运营主体对联盟链上发生的行为进行信誉评分,并将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护。
在本实施例中,参考附图2,所涉及加密对齐模块2对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度,加密对齐模块完成的具体操作内容包括:
对数据提供方和数据消费方的用户群体进行加密;
对数据提供方和数据消费方加密后的用户群体进行对齐;
在不公开用户群体的前提下,确认数据提供方和数据消费方的共有群体、以及各自拥有的不互相重叠的用户群体;
根据确认结果,进一步确认数据提供方和数据消费方的共有特征维度。
在本实施例中,参考附图3,所涉及机器学习模型为线性回归模型时,训练收敛模块3完成模型训练的具体操作内容包括:
将第三方机构的公钥分别发送给数据提供方和数据消费方,并对训练过程中需要交换的数据进行加密;
数据提供方和数据消费方分别通过训练计算用户群体和共有特征维度的中间梯度结果;
数据提供方和数据消费方分别基于加密的梯度值进行计算,同时,数据提供方和数据消费方根据其标签数据计算损失,并把这些结果汇总给第三方机构,第三方机构通过汇总结果计算总梯度并将其解密;
第三方机构将解密后的梯度进行整合后分别回传给数据提供方和数据消费方,数据提供方和数据消费方根据各自拥有的不互相重叠的用户群体和共有特征维度结合回传的整合梯度,更新模型的参数;
迭代前述过程直至损失函数收敛,完成机器学习模型的训练。
在本实施例中,参考附图4,所涉及评分激励模块4进行信誉评分并完成激励的具体操作内容包括:
数据消费方浏览数据提供方的信誉情况制定采购策略;
数据消费方向联盟链上的所有数据提供方发送交易请求;
经过所有数据提供方的广播后,通过验证的交易请求被执行后返回执行结果,同时,联盟链通过判定数据提供方是否出现拜占庭错误给出节点评分;
根据数据消费方和数据提供方的信誉积分达成交易协议后,进行资金、数据的传输;
数据消费方根据对本次交易的满意程度针对数据提供方给出用户评分;
完成一次完整的数据交易后,账本和信誉积分进行更新,并将更新后数据保存在联盟链上。
综上可知,采用本发明的一种基于联盟链的联邦学习激励方法及系统,打破了数据孤岛,保证了数据安全,降低了数据交换的成本;另外,联盟链能够对交易节点提供维护账本的动力,激励联盟链中的节点参与账本维护,还能够减少交易之前对交易对象选择的盲目性。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述,这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作出的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (10)
1.一种基于联盟链的联邦学习激励方法,其特征在于,该方法的实现过程包括:
S10、将交易主体和运营主体构建成一个联盟链;
S20、对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度;
S30、运营主体利用确定的共有用户群体和共有特征维度训练机器学习模型,直至损失函数收敛,完成模型训练;
S40、运营主体对联盟链上发生的行为进行信誉评分,将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护。
2.根据权利要求1所述的一种基于联盟链的联邦学习激励方法,其特征在于,所述交易主体和运营主体均为联盟链上的节点;
所述交易主体为数据提供方和数据消费方;
所述运营主体为第三方机构;
将交易主体和运营主体构建成一个联盟链,这一过程实际上就是:
将参与共同训练机器学习模型的中间数据的数据提供方和消费方以及第三方机构构建一个联盟链。
3.根据权利要求2所述的一种基于联盟链的联邦学习激励方法,其特征在于,对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度,具体操作内容包括:
S21、对数据提供方和数据消费方的用户群体进行加密;
S22、对数据提供方和数据消费方加密后的用户群体进行对齐;
S23、对齐后,在不公开用户群体的前提下,确认数据提供方和数据消费方的共有群体、以及各自拥有的不互相重叠的用户群体;
S24、根据确认结果,进一步确认数据提供方和数据消费方的共有特征维度。
4.根据权利要求3所述的一种基于联盟链的联邦学习激励方法,其特征在于,所述机器学习模型为线性回归模型时,运营主体训练机器学习模型的具体过程包括:
S31、第三方机构把公钥分别发送给数据提供方和数据消费方,用以对训练过程中需要交换的数据进行加密;
S32、数据提供方和数据消费方分别通过训练计算用户群体和共有特征维度的中间梯度结果;
S33、数据提供方和数据消费方分别基于加密的梯度值进行计算,同时,数据提供方和数据消费方根据其标签数据计算损失,并把这些结果汇总给第三方机构,第三方机构通过汇总结果计算总梯度并将其解密;
S34、第三方机构将解密后的梯度进行整合后分别回传给数据提供方和数据消费方,数据提供方和数据消费方根据各自拥有的不互相重叠的用户群体和共有特征维度结合回传的整合梯度,更新模型的参数;
S35、迭代前述步骤,直至损失函数收敛,完成机器学习模型的训练。
5.根据权利要求3或4所述的一种基于联盟链的联邦学习激励方法,其特征在于,所述数据提供方和所述数据消费方的数据始终保留在本地,且在训练过程中,不会使用未加密的数据进行交互。
6.根据权利要求2所述的一种基于联盟链的联邦学习激励方法,其特征在于,运营主体对联盟链上发生的行为进行信誉评分,将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护,这一过程的具体实现步骤包括:
S41、数据消费方通过第三方机构浏览数据提供方的信誉情况制定采购策略;
S42、数据消费方通过第三方机构接口向联盟链上的所有数据提供方发送交易请求;
S43、经过所有数据提供方的广播后,通过验证的交易请求被执行后向第三方机构返回执行结果,同时,联盟链通过判定数据提供方是否出现拜占庭错误给出节点评分;
S44、根据数据消费方和数据提供方的信誉积分达成交易协议后,进行资金、数据的传输;
S45、数据消费方根据对本次交易的满意程度针对数据提供方给出用户评分;
S46、完成一次完整的数据交易后,账本和信誉积分进行更新,并将更新后数据保存在联盟链上。
7.一种基于联盟链的联邦学习激励系统,其特征在于,其包括:
构建模块,用于将交易主体和运营主体构建成一个联盟链,所述交易主体为数据提供方和数据消费方,所述运营主体为第三方机构;
加密对齐模块,用于对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度;
训练收敛模块,辅助运营主体利用确定的共有用户群体和共有特征维度训练机器学习模型,直至损失函数收敛时完成模型训练;
评分激励模块,辅助运营主体对联盟链上发生的行为进行信誉评分,并将信誉积分映射到交易成本,通过交易成本激励各交易主体进行账本维护。
8.根据权利要求7所述的一种基于联盟链的联邦学习激励方法,其特征在于,所述加密对齐模块对联盟链上交易主体的用户群体进行加密并对齐,确定共有用户群体和共有特征维度,这一过程的具体操作内容包括:
对数据提供方和数据消费方的用户群体进行加密;
对数据提供方和数据消费方加密后的用户群体进行对齐;
在不公开用户群体的前提下,确认数据提供方和数据消费方的共有群体、以及各自拥有的不互相重叠的用户群体;
根据确认结果,进一步确认数据提供方和数据消费方的共有特征维度。
9.根据权利要求8所述的一种基于联盟链的联邦学习激励方法,其特征在于,所述机器学习模型为线性回归模型时,所述训练收敛模块完成模型训练的具体操作内容包括:
将第三方机构的公钥分别发送给数据提供方和数据消费方,并对训练过程中需要交换的数据进行加密;
数据提供方和数据消费方分别通过训练计算用户群体和共有特征维度的中间梯度结果;
数据提供方和数据消费方分别基于加密的梯度值进行计算,同时,数据提供方和数据消费方根据其标签数据计算损失,并把这些结果汇总给第三方机构,第三方机构通过汇总结果计算总梯度并将其解密;
第三方机构将解密后的梯度进行整合后分别回传给数据提供方和数据消费方,数据提供方和数据消费方根据各自拥有的不互相重叠的用户群体和共有特征维度结合回传的整合梯度,更新模型的参数;
迭代前述过程直至损失函数收敛,完成机器学习模型的训练。
10.根据权利要求7所述的一种基于联盟链的联邦学习激励方法,其特征在于,所述评分激励模块进行信誉评分并完成激励的具体操作内容包括:
数据消费方浏览数据提供方的信誉情况制定采购策略;
数据消费方向联盟链上的所有数据提供方发送交易请求;
经过所有数据提供方的广播后,通过验证的交易请求被执行后返回执行结果,同时,联盟链通过判定数据提供方是否出现拜占庭错误给出节点评分;
根据数据消费方和数据提供方的信誉积分达成交易协议后,进行资金、数据的传输;
数据消费方根据对本次交易的满意程度针对数据提供方给出用户评分;
完成一次完整的数据交易后,账本和信誉积分进行更新,并将更新后数据保存在联盟链上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054579.9A CN110827147A (zh) | 2019-10-31 | 2019-10-31 | 一种基于联盟链的联邦学习激励方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054579.9A CN110827147A (zh) | 2019-10-31 | 2019-10-31 | 一种基于联盟链的联邦学习激励方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110827147A true CN110827147A (zh) | 2020-02-21 |
Family
ID=69552196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054579.9A Pending CN110827147A (zh) | 2019-10-31 | 2019-10-31 | 一种基于联盟链的联邦学习激励方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827147A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552986A (zh) * | 2020-07-10 | 2020-08-18 | 鹏城实验室 | 基于区块链的联邦建模方法、装置、设备及存储介质 |
CN111582508A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
CN111652382A (zh) * | 2020-06-04 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 基于区块链的数据处理方法、装置、设备及存储介质 |
CN111882308A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技(深圳)有限公司 | 区块链安全交易方法、计算机设备及可读存储介质 |
CN112153650A (zh) * | 2020-08-31 | 2020-12-29 | 西北农林科技大学 | 一种无线网络中基于终端信誉的可靠联邦学习方法及系统 |
CN112162959A (zh) * | 2020-10-15 | 2021-01-01 | 深圳技术大学 | 一种医疗数据共享方法及装置 |
CN112565395A (zh) * | 2020-12-01 | 2021-03-26 | 浙商银行股份有限公司 | 一种广播收敛的联盟链p2p组网方法、设备及可读存储介质 |
CN113065143A (zh) * | 2021-03-17 | 2021-07-02 | 四川大学 | 基于区块链的工业数据安全共享 |
CN113111124A (zh) * | 2021-03-24 | 2021-07-13 | 广州大学 | 一种基于区块链的联邦学习数据审计系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492420A (zh) * | 2018-12-28 | 2019-03-19 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
CN109509092A (zh) * | 2018-10-16 | 2019-03-22 | 中国传媒大学 | 基于联盟链的数据交易激励方法及系统 |
CN110110229A (zh) * | 2019-04-25 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
CN110245510A (zh) * | 2019-06-19 | 2019-09-17 | 北京百度网讯科技有限公司 | 用于预测信息的方法和装置 |
-
2019
- 2019-10-31 CN CN201911054579.9A patent/CN110827147A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509092A (zh) * | 2018-10-16 | 2019-03-22 | 中国传媒大学 | 基于联盟链的数据交易激励方法及系统 |
CN109492420A (zh) * | 2018-12-28 | 2019-03-19 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
CN110110229A (zh) * | 2019-04-25 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
CN110245510A (zh) * | 2019-06-19 | 2019-09-17 | 北京百度网讯科技有限公司 | 用于预测信息的方法和装置 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582508A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
CN111652382B (zh) * | 2020-06-04 | 2021-08-06 | 深圳前海微众银行股份有限公司 | 基于区块链的数据处理方法、装置、设备及存储介质 |
CN111652382A (zh) * | 2020-06-04 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 基于区块链的数据处理方法、装置、设备及存储介质 |
CN111552986B (zh) * | 2020-07-10 | 2020-11-13 | 鹏城实验室 | 基于区块链的联邦建模方法、装置、设备及存储介质 |
CN111552986A (zh) * | 2020-07-10 | 2020-08-18 | 鹏城实验室 | 基于区块链的联邦建模方法、装置、设备及存储介质 |
CN111882308A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技(深圳)有限公司 | 区块链安全交易方法、计算机设备及可读存储介质 |
CN112153650A (zh) * | 2020-08-31 | 2020-12-29 | 西北农林科技大学 | 一种无线网络中基于终端信誉的可靠联邦学习方法及系统 |
CN112153650B (zh) * | 2020-08-31 | 2022-07-26 | 西北农林科技大学 | 一种无线网络中基于终端信誉的可靠联邦学习方法及系统 |
CN112162959A (zh) * | 2020-10-15 | 2021-01-01 | 深圳技术大学 | 一种医疗数据共享方法及装置 |
CN112162959B (zh) * | 2020-10-15 | 2023-10-10 | 深圳技术大学 | 一种医疗数据共享方法及装置 |
CN112565395B (zh) * | 2020-12-01 | 2022-05-13 | 浙商银行股份有限公司 | 一种广播收敛的联盟链p2p组网方法、设备及可读存储介质 |
CN112565395A (zh) * | 2020-12-01 | 2021-03-26 | 浙商银行股份有限公司 | 一种广播收敛的联盟链p2p组网方法、设备及可读存储介质 |
CN113065143A (zh) * | 2021-03-17 | 2021-07-02 | 四川大学 | 基于区块链的工业数据安全共享 |
CN113111124A (zh) * | 2021-03-24 | 2021-07-13 | 广州大学 | 一种基于区块链的联邦学习数据审计系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827147A (zh) | 一种基于联盟链的联邦学习激励方法及系统 | |
CN111144862B (zh) | 数字货币双离线支付的实现方法、装置、设备、存储介质 | |
CN108616539B (zh) | 一种区块链交易记录访问的方法及系统 | |
WO2021022707A1 (zh) | 一种混合联邦学习方法及架构 | |
CN111125779A (zh) | 一种基于区块链的联邦学习方法及装置 | |
Hewa et al. | Fog computing and blockchain-based security service architecture for 5G industrial IoT-enabled cloud manufacturing | |
WO2022206510A1 (zh) | 联邦学习的模型训练方法、装置、设备及存储介质 | |
CN111935156B (zh) | 一种联邦学习的数据隐私保护方法 | |
CN113992360B (zh) | 一种基于区块链跨链的联邦学习方法及设备 | |
CN106611372A (zh) | 一种征信数据查询方法及系统 | |
CN112199709A (zh) | 基于多方的隐私数据联合训练模型的方法和装置 | |
CN109741005B (zh) | 一种招聘信息的处理方法及装置 | |
Zhang et al. | A treasury system for cryptocurrencies: Enabling better collaborative intelligence | |
CN105959115B (zh) | 面向多方容错授权的公开可验证大数据交易方法 | |
CN112613956B (zh) | 一种招投标处理方法和装置 | |
CN106161415A (zh) | 一种信息处理方法及移动群智感知应用平台 | |
CN115130880A (zh) | 非对称场景下基于联邦学习金融电力数据融合方法及介质 | |
CN110414961A (zh) | 防止追踪交易转出方的转账方法、装置、设备及存储介质 | |
CN110380845A (zh) | 基于群组对称密钥池的量子保密通信联盟链交易方法、系统、设备 | |
CN114386043A (zh) | 一种面向群智感知的去中心隐私保持信誉评估方法 | |
KR20190046486A (ko) | 블록체인 기반의 가상화폐 처리 시스템 및 방법 | |
CN109858904A (zh) | 基于区块链的数据处理方法和装置 | |
CN110377635A (zh) | 基于区块链架构的人民币跨境支付查询查复方法及装置 | |
Vives-Guasch et al. | A secure e-ticketing scheme for mobile devices with near field communication (NFC) that includes exculpability and reusability | |
CN116992458A (zh) | 基于可信执行环境的可编程数据处理方法以及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |