CN111931242A - 一种数据共享方法以及应用其的计算机设备及可读存储介质 - Google Patents
一种数据共享方法以及应用其的计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN111931242A CN111931242A CN202011061914.0A CN202011061914A CN111931242A CN 111931242 A CN111931242 A CN 111931242A CN 202011061914 A CN202011061914 A CN 202011061914A CN 111931242 A CN111931242 A CN 111931242A
- Authority
- CN
- China
- Prior art keywords
- working
- model
- block chain
- data
- federal learning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 230000005284 excitation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Storage Device Security (AREA)
Abstract
本发明公开了一种数据共享方法以及应用其的计算机设备及可读存储介质，属于数据信息安全技术领域。本发明结合区块链技术和联邦学习技术，构建基于区块链和联邦学习的数据安全共享模型，设计数据共享基本流程；以实现可靠的联邦学习为目标，设计基于区块链和节点工作质量的工作节点选择算法；修改区块链的共识方法，设计一种基于模型训练质量的激励机制共识算法，已达到鼓励优秀工作节点工作和简化共识过程，减少共识成本的目的；以平衡数据安全性和模型实用性为目标，选择适用于联邦学习的差分隐私算法。本发明能够解决数据共享过程中隐私泄露的问题；将区块链技术结合到数据共享中，保障数据的安全可信；同时将提高联邦学习任务的效率。
Description
技术领域
本发明涉及一种数据共享方法以及应用其的计算机设备及可读存储介质，属于数据信息安全技术领域。
背景技术
随着层出不叠的智能设备在社会生活中的普及，如智能工厂、智慧城市、智能家居，用户的隐私越来越透明化。为了加强对用户的个人信息保护，同时实现这些单个领域平台之间的数据合作共享，避免集中式平台在普遍存在的高成本、高延时与低效率的缺点，需要设计了一个安全可信的数据共享机制。
已有技术方案1: 专利号为201910720373.9的《一种混合联邦学习方法及架构》专利，本发明公开了一种混合联邦学习方法及架构，该方法适用于具有多组参与者的联邦学习模型训练；其中方法为：针对每个组，根据组内参与者的数据集联合训练每组的第一联邦学习模型；对各组的第一联邦学习模型进行融合得到第二联邦学习模型，并将所述第二联邦学习模型发送给每个组内参与者；针对每个组，根据所述第二联邦学习模型及所述组内参与者的数据集训练得到更新后的第一联邦学习模型，返回对各组的第一联邦学习模型进行融合得到第二联邦学习模型的步骤，直至模型训练结束。
已有技术方案2: 专利号为201910824202.0的《一种联邦学习方法及装置》专利，本发明公开了一种联邦学习方法及装置，其中方法为：协调者接收多个参与者的报告；所述协调者根据所述多个参与者的报告，确定满足预设条件的参与者，作为参与联邦学习的参与者；其中，所述报告表征了参与者预期的可用资源情况；所述协调者通过所述参与联邦学习的参与者进行联邦学习模型训练。上述方法应用于金融科技(Fintech)时，尽可能地剔除不满足预期可用资源情况的参与者，从而在协调者通过所述参与联邦学习的参与者进行联邦学习的过程中，减小了联邦学习过程中参与者传输效率对联邦学习模型性能的影响。
已有技术方案3: 专利号为201910720601.2的《一种联邦学习中的信息传输方法及装置》专利，本发明公开了一种联邦学习中的信息传输方法及装置，其中方法适用于包括第一参与者和第二参与者的联邦学习，其中，所述第一参与者和所述第二参与者的训练数据集之间包含有相同的样本对象及不同的样本特征；所述方法包括：协调者获取来自所述第一参与者的第一结果和所述第二参与者的第二结果；所述协调者按照预设运算规则，对所述第一结果和所述第二结果进行运算，获取运算后的第三结果；所述协调者将所述第三结果发送至所述第一参与者和所述第二参与者。
已有技术方案1公开了一种混合联邦学习方法及架构，该方法适用于具有多组参与者的联邦学习模型训练；但未考虑如何保证数据可信的问题。
已有技术方案2公开了一种联邦学习方法及装置，其中方法为：协调者接收多个参与者的报告；所述协调者根据所述多个参与者的报告，确定满足预设条件的参与者，作为参与联邦学习的参与者；其中，所述报告表征了参与者预期的可用资源情况；所述协调者通过所述参与联邦学习的参与者进行联邦学习模型训练。但未考虑如何对高的参与者进行奖励以激励各参与者更积极的工作。
已有技术方案3本发明公开了一种联邦学习中的信息传输方法及装置，适用于包括第一参与者和第二参与者的联邦学习。但未考虑到如何选取可靠的参与者进行联邦学习任务。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种能够解决数据共享过程中隐私泄露的问题；将区块链技术结合到数据共享中，保障数据的安全可信；采用联邦学习来确保在数据共享中，用户的原始数据不被传播，而只传播模型参数，以保护用户隐私；同时，解决在联邦学习过程中选择符合设定规则的工作节点的难题；进一步，进行差分隐私保护和设计共识激励机制来鼓励各工作节点积极参与；通过解决以上问题保证数据共享过程中用户隐私信息的安全，同时将提高联邦学习任务的效率的数据共享方法以及应用其的计算机设备及可读存储介质。
为实现上述目的，本发明的技术方案为：
一种基于区块链与联邦学习的安全可信的数据共享方法，
包括：
第一步：把若干个工作节点记录在区块链网络中。区块链中存储每个工作节点每次参与协同训练的工作表现、本地模型与最终的全局模型。
第二步，从区块链存储的工作节点中，筛选符合设定规则的至少一个工作节点。
为了在联邦学习过程中训练出更好的模型，就要选择可靠且高效的工作节点，这些节点的表现为用更多的本地数据和更多的资源进行模型的训练，即工作节点在训练中的贡献，贡献了多少数据和计算资源；使得全局模型的准确率提高。
第三步，建立共识激励机制对上述筛选出的符合设定规则的工作节点进行奖励，并将上述符合设定规则的工作节点作为联邦学习任务的共识联盟。
为保证可靠的联邦学习，有必要给予在任务训练过程中表现优秀的工作节点相应的奖励以激励它们以后更好的工作，更积极的参与到联邦学习任务中来。
第四步，对共识联盟中的工作节点进行本地模型的训练；
并利用差分隐私算法对本地模型数据进行处理。
第五步，对上述已经处理完成的本地模型的参数利用联邦学习方法进行传播。
第六步，根据得到的本地模型的参数，训练全局模型，实现数据的共享。
为了保护用户的隐私安全，同时为了更好的进行联邦学习任务，采用本地上传训练好的模型结果代替原始数据。这种方法很大程度地保护了用户隐私安全，但还是存在差分攻击的危险。一些攻击者可以通过对结果的推导，在一定程度上窃取用户的隐私信息。因此在联邦学习的过程中结合差分隐私算法，对本地模型结果的输出进行处理，防止非法攻击者从算法输出来窃取用户的隐私数据。
传统的数据共享模型，将各个设备的数据上传到同一的中心服务器，再由这个中心服务器利用这些数据进行模型的训练学习，最后给各个设备提供更好的服务。
但是这种方式存在很大的安全问题，首先各个用户上传自己的数据，无异于暴露自己的隐私，其次一旦中央服务器被攻击，会有信息泄露与服务瘫痪的风险。
本发明 结合区块链技术和联邦学习技术，构建基于区块链和联邦学习的数据安全共享模型，设计数据共享基本流程；以实现可靠的联邦学习为目标，设计基于区块链和节点工作质量的工作节点选择算法；修改区块链的共识方法，设计一种基于模型训练质量的激励机制共识算法，已达到鼓励优秀工作节点工作和简化共识过程，减少共识成本的目的；以平衡数据安全性和模型实用性为目标，选择适用于联邦学习的差分隐私算法。
本发明能够解决数据共享过程中隐私泄露的问题；将区块链技术结合到数据共享中，保障数据的安全可信；采用联邦学习来确保在数据共享中，用户的原始数据不被传播，而只传播模型参数，以保护用户隐私；同时，解决在联邦学习过程中选择符合设定规则的工作节点的难题；进一步，进行差分隐私保护和设计共识激励机制来鼓励各工作节点积极参与；通过解决以上问题保证数据共享过程中用户隐私信息的安全，同时将提高联邦学习任务的效率。
本发明的一种共识激励机制 – Incentive in Proof of model Quality(IPoQ)，即将激励机制应用于区块链的共识中。这样设计有两点好处：
实现了联邦学习中的激励机制，让努力工作的节点得到相应的奖励，激励工作节点积极参与到联邦学习任务中，并努力做到最好。
简化区块链的共识机制，原有的区块链的基于工作量证明（PoW）的共识机制使得共识过程的计算与通信资源成本消耗过多,IPoQ有效的简化了共识过程，使得区块链的资源得到更有效的利用。
当进行一个新的联邦学习任务时，根据上面提到的工作节点选择方法，选择K个符合设定规则的工作节点，称这K个工作节点为本次联邦学习任务的共识联盟。它们负责实现最终记账与奖励的共识过程。
作为优选技术措施，第一步，
所述符合设定规则的工作节点为综合评分高于第一设定值的工作节点；
筛选符合设定规则的至少一个工作节点，包括：根据区块链中存储的工作节点n次工作表现进行综合评分；
确定这n次工作表现分别对应的评分权重wi。
其中工作节点的综合评分的计算公式如下：
其中：Rj代表第j个工作节点的综合评分；
ri表示工作节点在区块链中存储的第i次工作表现，且
；
考虑到最近的工作表现更能代表工作节点目前的工作状态，所以权重要随时间进行衰减，最近的工作表现对应的评分权重更高。
计算完各个工作节点的综合评分后，根据Rj值进行降序排序，筛选出综合评分高于第一设定值的K个工作节点作为符合设定规则的工作节点，其本次工作表现也会被记录在区块链中，作为下一次选择的依据。
第一设定值根据实际情况进行确定，可以取值70-100，可由本领域技术人员根据若干工作节点的具体得分范围，进行选择，也可以根据实际需要设置第二设定值、第三设定值，让技术人员选用。
作为优选技术措施，
区块链中存储的工作节点的每次工作表现由该工作节点进行训练的数据量，贡献的计算资源和本地模型的每次准确率决定。
其中：Di，Ci，Ai分别代表工作节点第i次工作表现所贡献的数据量，计算资源和本地模型训练的准确率，则ri可表示为如下公式：
其中
、
分别表示上述工作节点的权重；
。
作为优选技术措施，
为保证符合设定规则的工作节点的正确选择，被统计的工作节点第i次工作表现所贡献的数据量应是与任务相关或是有益于任务训练的有效数据。
计算资源以工作节点贡献的CPU和GPU资源为准。
本地模型训练的准确率为工作节点训练迭代过程中各次本地训练的准确率的算术平均值。
作为优选技术措施，
第二步，
建立共识激励机制，包括：
根据之前的本地模型的交易信息，结合公式计算出每个工作节点的MAE。
根据每个工作节点的MAE，给予每个节点相应的奖励，由任务发布方制定，且MAE越小，奖励越大。
MAE值最小的工作节点同时被选为主节点，负责实现区块链的共识过程，将所有的记录信息打包成一个区块，并将该区块广播给区块链中的其他节点，当共识联盟中的工作节点验证完改区块信息无误后，该区块信息被记录在区块链中。
作为优选技术措施，
MAE值最小的工作节点同时被选为主节点，作为符合设定规则的工作节点；
被选择出的符合设定规则的工作节点联合去训练一个全局模型M，通过选择各种机器学习算法进行训练；在确定全局模型后，各个工作节点利用自己本地的数据和资源进行本地模型的训练；
对本地模型建立评价模型进行评价：
所述评价模型的指标包括分类任务、回归任务；
所述分类任务的评价指标包括准确率、精确率、召回率、精确率、召回率其中的一种或多种；
所述回归任务的评价指标包括均方根误差方法、相对平方误差方法、平均绝对误差方法、相对绝对误差方法其中的一种或多种。
联邦学习任务的目的是当一个新的任务被发布到区块链中，被选择的工作节点联合去训练一个全局模型M，通过选择各种机器学习算法去进行训练，例如LG,GBDT,SVM和一些深度学习方法。在确定模型算法后，各个工作节点利用自己本地的数据和资源进行本地模型的训练，本地数据的质量越高训练的本地模型的准确率也就越高，为了评测模型的好坏，分类任务可以采取准确率(Accuracy)，精确率(Precision)，召回率(Recall)，精确率和召回率的调和平均（F1-score）；回归任务采取均方根误差（Root Mean Squared Error，RMSE），相对平方误差（Relative Squared Error，RSE），平均绝对误差（Mean AbsoluteError，MAE)，相对绝对误差（Relative Absolute Error，RAE)等方法。
作为优选技术措施，
所述回归任务的评价指标为平均绝对误差方法，采用平均绝对误差来评测本地模型，其计算公式如下：
其中
是任务发布者提供的测试数据，
是模型预测的结果，
是
任务发布者提供的测试数据个数。MAE用于表示模型预测的准确性。
每个工作节点的本地模型最终的平均绝对误差，用如下公式来表示：
其中
表示迭代次数。
根据计算出MAE值，对本地模型进行评测。
作为优选技术措施， 第三步，
差分隐私定义：给定两个至多相差一条数据的数据集D1和D2，选定一个算法A，设
Result(A)为A的所有输出结果，若算法A在D1和D2上的任意输出结果
满足下列不等式：
则称算法A满足参数为
的差分隐私；其中e为自然对数的底。
采用拉普拉斯（Laplace）机制来实现差分隐私，即在本来模型的就出上加上拉普拉斯噪声得到新的模型输出进行数据交换。
根据得到的本地模型的参数，训练全局模型，实现输出新的全局模型为输出，其计算公式为：
其中s是Laplace机制的敏感度，其定义如下：
其中M表示全局模型；M(D1)表示模型在D1数据集上的结果；M(D2)表示模型在D2数据集
上的结果；
为参数。
把新的全局模型
共享给其他工作节点，进行联邦学习任务。
参数
越小，隐私保密程度越高，但是数据可用性就会降低，所以为了平衡数据隐
私保护和模型的可用性，应当选取合适的
。
作为应用本发明方法的装置优选措施，
一种计算机设备，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种基于区块链与联邦学习的安全可信的数据共享方法。
作为应用本发明方法的计算机介质优选措施，
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的一种基于区块链与联邦学习的安全可信的数据共享方法。
与现有技术相比，本发明具有以下有益效果：
本发明能够解决数据共享过程中隐私泄露的问题；将区块链技术结合到数据共享中，保障数据的安全可信；采用联邦学习来确保在数据共享中，用户的原始数据不被传播，而只传播模型参数，以保护用户隐私；同时，解决在联邦学习过程中选择符合设定规则的工作节点的难题；进一步，进行差分隐私保护和设计共识激励机制来鼓励各工作节点积极参与；通过解决以上问题保证数据共享过程中用户隐私信息的安全，同时将提高联邦学习任务的效率。
附图说明
图1为本发明基于区块链与联邦学习的数据共享模型；
图2为传统数据共享模型。
附图标记说明：
1、用户；2、区块链；3、区块；4、工作节点；5、本地数据；6、本地模型；10、恶意攻击者；11、中心服务器；a、请求任务；A、上传本地模型；B、下载全局模型；C、本地模型的间接交换；E、攻击；G、上传本地数据；H、获取服务。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
如图1所示，一种基于区块链与联邦学习的安全可信的数据共享方法，
包括：
第一步：把若干个工作节点4记录在区块链2网络中；
第二步，从区块链2存储的工作节点4中，筛选符合设定规则的至少一个工作节点4；
第三步，建立共识激励机制对上述符合设定规则的工作节点4进行奖励，并将该工作节点4作为联邦学习任务的共识联盟；
第四步，对共识联盟中的工作节点4进行本地模型6的训练；
并利用差分隐私算法对本地模型6数据进行处理；
第五步，对上述已经处理完成的本地模型6的参数利用联邦学习方法进行传播；
第六步，根据得到的本地模型6的参数，训练全局模型，实现数据的共享；进而工作节点可下载全局模型B，进行更新；工作节点与工作节点之间实现本地模型的间接交换C。
传统的数据共享模型，将各个设备的数据上传到同一的中心服务器11，再由这个中心服务器利用这些数据进行模型的训练学习，最后给各个设备提供更好的服务，如图2所示。
但是这种方式存在很大的安全问题，首先为了获取服务H，各个用户1上传本地数据G，无异于暴露自己的隐私，其次一旦中央服务器被恶意攻击者10攻击E，会有信息泄露与服务瘫痪的风险。
本发明结合区块链2技术和联邦学习技术，构建基于区块链2和联邦学习的数据安全共享模型，设计数据共享基本流程；以实现可靠的联邦学习为目标，设计基于区块链和节点工作质量的工作节点4选择算法；修改区块链的共识方法，设计一种基于模型训练质量的激励机制共识算法，已达到鼓励优秀工作节点4工作和简化共识过程，减少共识成本的目的；以平衡数据安全性和模型实用性为目标，选择适用于联邦学习的差分隐私算法。
本发明能够解决数据共享过程中隐私泄露的问题；将区块链技术结合到数据共享中，保障数据的安全可信；采用联邦学习来确保在数据共享中，用户1的原始数据不被传播，而只传播模型参数，以保护用户1隐私；同时，解决在联邦学习过程中选择符合设定规则的工作节点4的难题；进一步，进行差分隐私保护和设计共识激励机制来鼓励各工作节点积极参与；通过解决以上问题保证数据共享过程中用户1隐私信息的安全，同时将提高联邦学习任务的效率。
联邦学习是一种多个参与方联合训练模型，学习数据的新的保护数据隐私的方式。它的特点在于各个参与方不上传自己的本地数据5，而是利用自己的本地数据5训练模型，然后将模型更新的参数上传再聚合。这种方式较大程度上保护了用户1的隐私安全，但仍存在着差分攻击的危险，所以将差分隐私技术结合到本文提出的模型中。
区块链技术局有去中心化，不可更改，可追溯等特点，保障数据存储可信和系统的稳定可靠。利用区块链中的智能合约技术，可以方便地根据链中存储的各个工种节点的历史表现选取符合设定规则的工作节点，并根据此次的工作表现（训练的模型质量）进行奖励，同时解决了在多方协同训练过程中的互信问题。
本发明一种工作节点选择的具体实施例：
为了在联邦学习过程中训练出更好的模型，就要选择可靠且高效的工作节点，这些节点的表现为用更多的本地数据5和更多的资源进行模型的训练，使得全局模型的准确率提高。在提出的模型中，每个工作节点的历史工作表现都记录在区块链网络中，区块3中存储了每个工作节点每次参与协同训练的工作表现、本地模型与最终的全局模型。在进行符合设定规则的工作节点的选择过程中，根据区块链中存储的工作节点历次工作表现进行综合评分。
首先要确定参数n，代表要选取每个工作节点的最近的n次工作表现。然后确定这n次工作表现分别对应的评分权重wi，考虑到最近的工作表现更能代表工作节点目前的工作状态，所以权重要随时间进行衰减，最近的工作表现对应的评分权重更高。第一设定值根据实际情况进行确定，可以取值70-100，可由本领域技术人员根据若干工作节点的具体得分范围，进行选择。
用Rj代表第j个工作节点的整体工作表现评分，则有如下公式：
其中ri表示工作节点在区块链中存储的第i次工作表现，且
。
区块链中存储的工作节点的每次工作表现由该节点进行训练的数据量，贡献的计算资源和本地模型的每次准确率决定。其中用Di，Ci，Ai分别代表工作节点第i次工作所贡献的数据量，计算资源和本地模型训练的准确率，则ri可表示为如下公式：
其中
。
为保证符合设定规则的工作节点的正确选择，被统计的工作节点贡献的数据量应是与任务相关或是有益于任务训练的有效数据，计算资源以工作节点贡献的CPU和GPU资源为准，本地模型准确率为工作节点训练迭代过程中各次本地训练的准确率的算术平均值。
在计算完各个工作节点的评分表现之后，根据Rj值进行降序排序，选前K个作为参与任务的工作节点，其本次工作表现也会被记录在区块链中，作为下一次选择的依据。
本发明一种共识激励机制的具体实施例：
为保证可靠的联邦学习，有必要给予在任务训练过程中表现优秀的工作节点相应的奖励以激励它们以后更好的工作，更积极的参与到联邦学习任务中来。因此设计了一种共识激励机制 – Incentive in Proof of model Quality(IPoQ)，即将激励机制应用于区块链的共识中。这样设计有两点好处：
实现了联邦学习中的激励机制，让努力工作的节点得到相应的奖励，激励工作节点积极参与到联邦学习任务中，并努力做到最好。
简化区块链的共识机制，原有的区块链的基于工作量证明（PoW）的共识机制使得共识过程的计算与通信资源成本消耗过多,IPoQ有效的简化了共识过程，使得区块链的资源得到更有效的利用。
当进行一个新的联邦学习任务时，根据上面提到的工作节点选择方法，选择K个符合设定规则的工作节点，称这K个工作节点为本次联邦学习任务的共识联盟。它们负责实现最终记账与奖励的共识过程。
联邦学习任务的目的是当一个新的任务被发布到区块链中，被选择的工作节点联合去训练一个全局模型M，可以选择各种机器学习算法去进行训练，例如LG,GBDT,SVM和一些深度学习方法。在确定模型算法后，各个工作节点利用自己本地的数据和资源进行本地模型的训练，本地数据的质量越高训练的本地模型的准确率也就越高，为了评测模型的好坏，分类任务可以采取准确率(Accuracy)，精确率(Precision)，召回率(Recall)，精确率和召回率的调和平均（F1-score）；回归任务可以采取均方根误差（Root Mean SquaredError，RMSE），相对平方误差（Relative Squared Error，RSE），平均绝对误差（MeanAbsolute Error，MAE)，相对绝对误差（Relative Absolute Error，RAE)等方法。
采用平均绝对误差来评测模型：
其中
是任务发布者提供的测试数据，
是模型预测的结果，
是
任务发布者提供的测试数据个数。MAE越低，说明模型预测的准确度越高。
每个工作节点最终的平均绝对误差，用如下公式来表示：
其中
表示迭代次数。
共识与激励的过程如下：
共识联盟（由工作节点选择方法选出的参与本次联邦学习任务的符合设定规则的工作节点）根据之前的本地模型的交易信息，再结合公式（3）和（4）计算出每个工作节点的MAE。
根据每个工作节点的MAE，给予每个节点相应的奖励，由任务发布方制定，且MAE越小，奖励越大。
MAE值最小的工作节点同时被选为主节点，负责实现区块链的共识过程，将所有的记录信息打包成一个区块，并江该区块广播给区块链中的其他节点，当共识联盟中的工作节点验证完改区块信息无误后，该区块信息被记录在区块链中。
本发明一种差分隐私保护具体实施例：
为了保护用户1的隐私安全，同时为了更好的进行联邦学习任务，上传本地模型A，采用本地上传训练好的模型结果代替原始数据，这种方法很大程度地保护了用户1隐私安全，但还是存在差分攻击的危险。一些攻击者可以通过对结果的推导，在一定程度上窃取用户1的隐私信息。因此在联邦学习的过程中结合差分隐私算法，对本地模型结果的输出进行处理，防止非法攻击者从算法输出来窃取用户1的隐私数据。
差分隐私技术在学术界和工业界都受到了极大的关注，它已经应用在苹果的IOS系统和谷歌的chrom浏览器中，来保护用户1的隐私。
差分隐私定义：给定两个至多相差一条数据的数据集D1和D2，选定一个算法A，设
Result(A)为A的所有输出结果，若算法A在D1和D2上的任意输出结果
满足下列不等式：
则称算法A满足参数为
的差分隐私。
采用拉普拉斯（Laplace）机制来实现差分隐私，即在本来模型的就出上加上拉普拉斯噪声得到新的模型输出进行数据交换。所以新的模型输出为：
其中s是Laplace机制的敏感度，其定义如下：
把新的模型
共享给其他工作节点，进行联邦学习任务。
参数
越小，隐私保密程度越高，但是数据可用性就会降低，所以为了平衡数据隐
私保护和模型的可用性，应当选取合适的
。
应用本发明方法的一种装置实施例：
一种计算机设备，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种基于区块链与联邦学习的安全可信的数据共享方法。
应用本发明方法的一种计算机介质实施例：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的一种基于区块链与联邦学习的安全可信的数据共享方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于区块链与联邦学习的安全可信的数据共享方法，其特征在于，
包括：
第一步：把若干个工作节点记录在区块链网络中；
第二步，从区块链存储的工作节点中，筛选符合设定规则的至少一个工作节点；
第三步，建立共识激励机制对上述筛选出的符合设定规则的工作节点进行奖励，并将上述符合设定规则的工作节点作为联邦学习任务的共识联盟；
第四步，对共识联盟中的工作节点进行本地模型的训练；
并利用差分隐私算法对本地模型数据进行处理；
第五步，对上述已经处理完成的本地模型的参数利用联邦学习方法进行传播；
第六步，根据得到的本地模型的参数，训练全局模型，实现数据的共享。
2.如权利要求1所述的一种基于区块链与联邦学习的安全可信的数据共享方法，其特征在于，
所述符合设定规则的工作节点为综合评分高于第一设定值的工作节点；
筛选符合设定规则的至少一个工作节点，包括：根据区块链中存储的工作节点n次工作表现进行综合评分；
确定这n次工作表现分别对应的评分权重wi；
其中工作节点的综合评分的计算公式如下：
其中：Rj代表第j个工作节点的综合评分，ri表示工作节点在区块链中存储的第i次工作
表现，且
；
计算完各个工作节点的综合评分后，根据Rj值进行降序排序，筛选出综合评分高于第一设定值的K个工作节点作为符合设定规则的工作节点，其本次工作表现也会被记录在区块链中，作为下一次选择的依据。
3.如权利要求2所述的一种基于区块链与联邦学习的安全可信的数据共享方法，其特征在于，
区块链中存储的工作节点的每次工作表现由该工作节点进行训练的数据量，贡献的计算资源和本地模型的每次准确率决定；其中Di，Ci，Ai分别代表工作节点第i次工作表现所贡献的数据量，计算资源和本地模型训练的准确率，则ri表示为如下公式：
其中
分别表示上述工作节点的权重；
。
4.如权利要求3所述的一种基于区块链与联邦学习的安全可信的数据共享方法，其特征在于，
所述工作节点第i次工作表现所贡献的数据量是与任务相关或是有益于任务训练的有效数据；
计算资源以工作节点贡献的CPU和GPU资源为准；
本地模型训练的准确率为工作节点训练迭代过程中各次本地训练的准确率的算术平均值。
5.如权利要求1所述的一种基于区块链与联邦学习的安全可信的数据共享方法，其特征在于，
建立共识激励机制，包括：
根据之前的本地模型的交易信息，结合公式计算出每个工作节点的MAE；
根据每个工作节点的MAE，给予每个节点相应的奖励，由任务发布方制定，且MAE越小，奖励越大；
MAE值最小的工作节点同时被选为主节点，负责实现区块链的共识过程，将所有的记录信息打包成一个区块，并将该区块广播给区块链中的其他节点，当共识联盟中的工作节点验证完改区块信息无误后，该区块信息被记录在区块链中。
6.如权利要求5所述的一种基于区块链与联邦学习的安全可信的数据共享方法，其特征在于，
MAE值最小的工作节点同时被选为主节点，作为符合设定规则的工作节点；
被选择出的符合设定规则的工作节点联合去训练一个全局模型M，通过选择各种机器学习算法进行训练；在确定全局模型后，各个工作节点利用自己本地的数据和资源进行本地模型的训练；
对本地模型建立评价模型进行评价：
所述评价模型的指标包括分类任务、回归任务；
所述分类任务的评价指标包括准确率、精确率、召回率、精确率、召回率其中的一种或多种；
所述回归任务的评价指标包括均方根误差方法、相对平方误差方法、平均绝对误差方法、相对绝对误差方法其中的一种或多种。
7.如权利要求6所述的一种基于区块链与联邦学习的安全可信的数据共享方法，其特征在于，
所述回归任务的评价指标为平均绝对误差方法，采用平均绝对误差来评测本地模型，其计算公式如下：
其中，
是任务发布者提供的测试数据，
是模型预测的结果，
是
任务发布者提供的测试数据个数；MAE用于表示模型预测的准确性；
每个工作节点的本地模型最终的平均绝对误差，用如下公式来表示：
其中，
表示迭代次数；
根据计算出MAE值，对本地模型进行评测。
8.如权利要求1所述的一种基于区块链与联邦学习的安全可信的数据共享方法，其特征在于，
根据得到的本地模型的参数，训练全局模型，实现新的全局模型输出，其计算公式为：
其中s是Laplace机制的敏感度，其定义如下：
其中M表示全局模型；M(D1)表示模型在D1数据集上的结果；M(D2)表示模型在D2数据集
上的结果；
为参数；
把新的全局模型
共享给其他工作节点，进行联邦学习任务。
9.一种计算机设备，其特征在于，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的一种基于区块链与联邦学习的安全可信的数据共享方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任意一项所述的一种基于区块链与联邦学习的安全可信的数据共享方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011061914.0A CN111931242B (zh) | 2020-09-30 | 2020-09-30 | 一种数据共享方法以及应用其的计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011061914.0A CN111931242B (zh) | 2020-09-30 | 2020-09-30 | 一种数据共享方法以及应用其的计算机设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111931242A true CN111931242A (zh) | 2020-11-13 |
| CN111931242B CN111931242B (zh) | 2021-02-19 |
Family
ID=73334808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011061914.0A Active CN111931242B (zh) | 2020-09-30 | 2020-09-30 | 一种数据共享方法以及应用其的计算机设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931242B (zh) |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560059A (zh) * | 2020-12-17 | 2021-03-26 | 浙江工业大学 | 一种基于神经通路特征提取的垂直联邦下模型窃取防御方法 |
| CN112598132A (zh) * | 2020-12-04 | 2021-04-02 | 光大科技有限公司 | 模型训练方法及装置、存储介质、电子装置 |
| CN112668128A (zh) * | 2020-12-21 | 2021-04-16 | 国网辽宁省电力有限公司物资分公司 | 联邦学习系统中终端设备节点的选择方法及装置 |
| CN112714106A (zh) * | 2020-12-17 | 2021-04-27 | 杭州趣链科技有限公司 | 一种基于区块链的联邦学习搭便车攻击防御方法 |
| CN112714050A (zh) * | 2020-12-22 | 2021-04-27 | 齐鲁工业大学 | 一种基于区块链和联邦学习的数据共享与隐私保护方法 |
| CN112738035A (zh) * | 2020-12-17 | 2021-04-30 | 杭州趣链科技有限公司 | 一种基于区块链技术的垂直联邦下模型窃取防御方法 |
| CN112733901A (zh) * | 2020-12-30 | 2021-04-30 | 杭州趣链科技有限公司 | 基于联邦学习和区块链的结构化动作分类方法与装置 |
| CN112732470A (zh) * | 2021-03-29 | 2021-04-30 | 南方电网数字电网研究院有限公司 | 电能量数据的联邦学习可靠性评估方法和装置 |
| CN112770291A (zh) * | 2021-01-14 | 2021-05-07 | 华东师范大学 | 基于联邦学习和信任评估的分布式入侵检测方法及系统 |
| CN112765677A (zh) * | 2020-12-30 | 2021-05-07 | 杭州溪塔科技有限公司 | 一种基于区块链的联邦学习方法、装置和系统 |
| CN112990478A (zh) * | 2021-02-22 | 2021-06-18 | 上海嗨普智能信息科技股份有限公司 | 联邦学习数据处理系统 |
| CN113033098A (zh) * | 2021-03-26 | 2021-06-25 | 山东科技大学 | 一种基于AdaRW算法的海洋目标检测深度学习模型训练方法 |
| 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 |
| CN113094761A (zh) * | 2021-04-25 | 2021-07-09 | 中山大学 | 一种联邦学习数据防篡改监测方法及相关装置 |
| CN113268758A (zh) * | 2021-06-17 | 2021-08-17 | 上海万向区块链股份公司 | 基于联邦学习的数据共享系统、方法、介质及设备 |
| CN113347162A (zh) * | 2021-05-19 | 2021-09-03 | 中央财经大学 | 一种面向群智服务的区块链节点贡献度证明共识方法 |
| CN113364831A (zh) * | 2021-04-27 | 2021-09-07 | 国网浙江省电力有限公司电力科学研究院 | 基于区块链的多域异构算网资源可信协同方法 |
| CN113379066A (zh) * | 2021-06-10 | 2021-09-10 | 重庆邮电大学 | 一种基于雾计算的联邦学习方法 |
| CN113420323A (zh) * | 2021-06-04 | 2021-09-21 | 国网河北省电力有限公司信息通信分公司 | 数据共享方法及终端设备 |
| CN113434269A (zh) * | 2021-06-10 | 2021-09-24 | 湖南天河国云科技有限公司 | 基于区块链的分布式隐私计算方法及装置 |
| CN113487041A (zh) * | 2021-07-15 | 2021-10-08 | Oppo广东移动通信有限公司 | 横向联邦学习方法、装置及存储介质 |
| CN113536382A (zh) * | 2021-08-09 | 2021-10-22 | 北京理工大学 | 利用联邦学习基于区块链的医疗数据共享隐私保护方法 |
| CN113570065A (zh) * | 2021-07-08 | 2021-10-29 | 国网河北省电力有限公司信息通信分公司 | 基于联盟链和联邦学习的数据管理方法、装置及设备 |
| CN113778966A (zh) * | 2021-09-15 | 2021-12-10 | 深圳技术大学 | 高校教学与课程成绩的跨学校信息共享方法及相关装置 |
| CN113849805A (zh) * | 2021-09-23 | 2021-12-28 | 国网山东省电力公司济宁供电公司 | 移动用户可信认证方法及装置、电子设备、存储介质 |
| CN113923225A (zh) * | 2020-11-16 | 2022-01-11 | 京东科技控股股份有限公司 | 基于分布式架构的联邦学习平台、方法、设备和存储介质 |
| CN113961969A (zh) * | 2021-12-22 | 2022-01-21 | 北京金睛云华科技有限公司 | 一种安全威胁协同建模方法及系统 |
| CN114037521A (zh) * | 2021-11-25 | 2022-02-11 | 工银科技有限公司 | 融资预授信方法、装置、设备及介质 |
| CN114048515A (zh) * | 2022-01-11 | 2022-02-15 | 四川大学 | 一种基于联邦学习和区块链的医疗大数据共享方法 |
| CN114491623A (zh) * | 2021-12-30 | 2022-05-13 | 北京邮电大学 | 一种基于区块链的异步联邦学习方法及系统 |
| CN114580009A (zh) * | 2022-01-13 | 2022-06-03 | 吉林省元依科技有限公司 | 基于联邦学习的区块链数据管理方法、系统及存储介质 |
| CN114723441A (zh) * | 2021-01-05 | 2022-07-08 | 中国移动通信有限公司研究院 | 一种约束需求方和参与方的行为的方法、装置及设备 |
| CN114726868A (zh) * | 2022-02-24 | 2022-07-08 | 北京工业大学 | 一种面向分布式网络的分级分片区块链架构 |
| CN114817946A (zh) * | 2022-03-18 | 2022-07-29 | 广西师范大学 | 基于可信执行环境的联邦学习梯度提升决策树训练方法 |
| CN114866599A (zh) * | 2022-04-29 | 2022-08-05 | 济南中科泛在智能计算研究院 | 基于最优联邦方选择的联邦学习方法、设备及系统 |
| WO2023028907A1 (en) * | 2021-09-01 | 2023-03-09 | Qualcomm Incorporated | Techniques for using relay averaging in federated learning |
| CN116029370A (zh) * | 2023-03-17 | 2023-04-28 | 杭州海康威视数字技术股份有限公司 | 基于区块链的联邦学习的数据共享激励方法、装置及设备 |
| CN117495566A (zh) * | 2023-11-15 | 2024-02-02 | 重庆邮电大学 | 一种基于人工智能的区块链异常交易检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442457A (zh) * | 2019-08-12 | 2019-11-12 | 北京大学深圳研究生院 | 基于联邦学习的模型训练方法、装置及服务器 |
| CN111125779A (zh) * | 2019-12-17 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种基于区块链的联邦学习方法及装置 |
| CN111340242A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 保护隐私的模型联合训练方法及装置 |
| CN111539731A (zh) * | 2020-06-19 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于区块链的联邦学习方法及装置和电子设备 |
| CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
| CN111723946A (zh) * | 2020-06-19 | 2020-09-29 | 深圳前海微众银行股份有限公司 | 一种应用于区块链的联邦学习方法及装置 |
-
2020
- 2020-09-30 CN CN202011061914.0A patent/CN111931242B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442457A (zh) * | 2019-08-12 | 2019-11-12 | 北京大学深圳研究生院 | 基于联邦学习的模型训练方法、装置及服务器 |
| CN111125779A (zh) * | 2019-12-17 | 2020-05-08 | 山东浪潮人工智能研究院有限公司 | 一种基于区块链的联邦学习方法及装置 |
| CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
| CN111340242A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 保护隐私的模型联合训练方法及装置 |
| CN111539731A (zh) * | 2020-06-19 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于区块链的联邦学习方法及装置和电子设备 |
| CN111723946A (zh) * | 2020-06-19 | 2020-09-29 | 深圳前海微众银行股份有限公司 | 一种应用于区块链的联邦学习方法及装置 |
Cited By (60)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113923225A (zh) * | 2020-11-16 | 2022-01-11 | 京东科技控股股份有限公司 | 基于分布式架构的联邦学习平台、方法、设备和存储介质 |
| CN112598132A (zh) * | 2020-12-04 | 2021-04-02 | 光大科技有限公司 | 模型训练方法及装置、存储介质、电子装置 |
| CN112714106B (zh) * | 2020-12-17 | 2023-02-14 | 杭州趣链科技有限公司 | 一种基于区块链的联邦学习搭便车攻击防御方法 |
| CN112560059B (zh) * | 2020-12-17 | 2022-04-29 | 浙江工业大学 | 一种基于神经通路特征提取的垂直联邦下模型窃取防御方法 |
| CN112714106A (zh) * | 2020-12-17 | 2021-04-27 | 杭州趣链科技有限公司 | 一种基于区块链的联邦学习搭便车攻击防御方法 |
| CN112560059A (zh) * | 2020-12-17 | 2021-03-26 | 浙江工业大学 | 一种基于神经通路特征提取的垂直联邦下模型窃取防御方法 |
| CN112738035A (zh) * | 2020-12-17 | 2021-04-30 | 杭州趣链科技有限公司 | 一种基于区块链技术的垂直联邦下模型窃取防御方法 |
| CN112668128B (zh) * | 2020-12-21 | 2024-05-28 | 国网辽宁省电力有限公司物资分公司 | 联邦学习系统中终端设备节点的选择方法及装置 |
| CN112668128A (zh) * | 2020-12-21 | 2021-04-16 | 国网辽宁省电力有限公司物资分公司 | 联邦学习系统中终端设备节点的选择方法及装置 |
| CN112714050B (zh) * | 2020-12-22 | 2022-05-31 | 齐鲁工业大学 | 一种基于区块链和联邦学习的数据共享与隐私保护方法 |
| CN112714050A (zh) * | 2020-12-22 | 2021-04-27 | 齐鲁工业大学 | 一种基于区块链和联邦学习的数据共享与隐私保护方法 |
| CN112765677B (zh) * | 2020-12-30 | 2024-01-23 | 杭州溪塔科技有限公司 | 一种基于区块链的联邦学习方法、装置和系统 |
| CN112765677A (zh) * | 2020-12-30 | 2021-05-07 | 杭州溪塔科技有限公司 | 一种基于区块链的联邦学习方法、装置和系统 |
| CN112733901A (zh) * | 2020-12-30 | 2021-04-30 | 杭州趣链科技有限公司 | 基于联邦学习和区块链的结构化动作分类方法与装置 |
| CN112733901B (zh) * | 2020-12-30 | 2024-01-12 | 杭州趣链科技有限公司 | 基于联邦学习和区块链的结构化动作分类方法与装置 |
| CN114723441A (zh) * | 2021-01-05 | 2022-07-08 | 中国移动通信有限公司研究院 | 一种约束需求方和参与方的行为的方法、装置及设备 |
| CN112770291A (zh) * | 2021-01-14 | 2021-05-07 | 华东师范大学 | 基于联邦学习和信任评估的分布式入侵检测方法及系统 |
| CN112770291B (zh) * | 2021-01-14 | 2022-05-31 | 华东师范大学 | 基于联邦学习和信任评估的分布式入侵检测方法及系统 |
| CN112990478A (zh) * | 2021-02-22 | 2021-06-18 | 上海嗨普智能信息科技股份有限公司 | 联邦学习数据处理系统 |
| CN112990478B (zh) * | 2021-02-22 | 2022-08-26 | 上海嗨普智能信息科技股份有限公司 | 联邦学习数据处理系统 |
| 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 |
| CN113033098A (zh) * | 2021-03-26 | 2021-06-25 | 山东科技大学 | 一种基于AdaRW算法的海洋目标检测深度学习模型训练方法 |
| CN113033098B (zh) * | 2021-03-26 | 2022-05-17 | 山东科技大学 | 一种基于AdaRW算法的海洋目标检测深度学习模型训练方法 |
| CN112732470A (zh) * | 2021-03-29 | 2021-04-30 | 南方电网数字电网研究院有限公司 | 电能量数据的联邦学习可靠性评估方法和装置 |
| CN113094761A (zh) * | 2021-04-25 | 2021-07-09 | 中山大学 | 一种联邦学习数据防篡改监测方法及相关装置 |
| CN113094761B (zh) * | 2021-04-25 | 2022-02-08 | 中山大学 | 一种联邦学习数据防篡改监测方法及相关装置 |
| CN113364831B (zh) * | 2021-04-27 | 2022-07-19 | 国网浙江省电力有限公司电力科学研究院 | 基于区块链的多域异构算网资源可信协同方法 |
| CN113364831A (zh) * | 2021-04-27 | 2021-09-07 | 国网浙江省电力有限公司电力科学研究院 | 基于区块链的多域异构算网资源可信协同方法 |
| CN113347162B (zh) * | 2021-05-19 | 2023-09-29 | 中央财经大学 | 一种面向群智服务的区块链节点贡献度证明共识方法 |
| CN113347162A (zh) * | 2021-05-19 | 2021-09-03 | 中央财经大学 | 一种面向群智服务的区块链节点贡献度证明共识方法 |
| CN113420323A (zh) * | 2021-06-04 | 2021-09-21 | 国网河北省电力有限公司信息通信分公司 | 数据共享方法及终端设备 |
| CN113420323B (zh) * | 2021-06-04 | 2022-06-03 | 国网河北省电力有限公司信息通信分公司 | 数据共享方法及终端设备 |
| CN113434269A (zh) * | 2021-06-10 | 2021-09-24 | 湖南天河国云科技有限公司 | 基于区块链的分布式隐私计算方法及装置 |
| CN113379066A (zh) * | 2021-06-10 | 2021-09-10 | 重庆邮电大学 | 一种基于雾计算的联邦学习方法 |
| CN113379066B (zh) * | 2021-06-10 | 2022-07-08 | 重庆邮电大学 | 一种基于雾计算的联邦学习方法 |
| CN113268758A (zh) * | 2021-06-17 | 2021-08-17 | 上海万向区块链股份公司 | 基于联邦学习的数据共享系统、方法、介质及设备 |
| CN113570065A (zh) * | 2021-07-08 | 2021-10-29 | 国网河北省电力有限公司信息通信分公司 | 基于联盟链和联邦学习的数据管理方法、装置及设备 |
| CN113487041B (zh) * | 2021-07-15 | 2024-05-07 | 深圳市与飞科技有限公司 | 横向联邦学习方法、装置及存储介质 |
| CN113487041A (zh) * | 2021-07-15 | 2021-10-08 | Oppo广东移动通信有限公司 | 横向联邦学习方法、装置及存储介质 |
| CN113536382A (zh) * | 2021-08-09 | 2021-10-22 | 北京理工大学 | 利用联邦学习基于区块链的医疗数据共享隐私保护方法 |
| WO2023028907A1 (en) * | 2021-09-01 | 2023-03-09 | Qualcomm Incorporated | Techniques for using relay averaging in federated learning |
| CN113778966A (zh) * | 2021-09-15 | 2021-12-10 | 深圳技术大学 | 高校教学与课程成绩的跨学校信息共享方法及相关装置 |
| CN113778966B (zh) * | 2021-09-15 | 2024-03-26 | 深圳技术大学 | 高校教学与课程成绩的跨学校信息共享方法及相关装置 |
| CN113849805A (zh) * | 2021-09-23 | 2021-12-28 | 国网山东省电力公司济宁供电公司 | 移动用户可信认证方法及装置、电子设备、存储介质 |
| CN114037521A (zh) * | 2021-11-25 | 2022-02-11 | 工银科技有限公司 | 融资预授信方法、装置、设备及介质 |
| CN113961969A (zh) * | 2021-12-22 | 2022-01-21 | 北京金睛云华科技有限公司 | 一种安全威胁协同建模方法及系统 |
| CN114491623B (zh) * | 2021-12-30 | 2024-06-07 | 北京邮电大学 | 一种基于区块链的异步联邦学习方法及系统 |
| CN114491623A (zh) * | 2021-12-30 | 2022-05-13 | 北京邮电大学 | 一种基于区块链的异步联邦学习方法及系统 |
| CN114048515A (zh) * | 2022-01-11 | 2022-02-15 | 四川大学 | 一种基于联邦学习和区块链的医疗大数据共享方法 |
| CN114580009B (zh) * | 2022-01-13 | 2023-05-30 | 唐彩焱 | 基于联邦学习的区块链数据管理方法、系统及存储介质 |
| CN114580009A (zh) * | 2022-01-13 | 2022-06-03 | 吉林省元依科技有限公司 | 基于联邦学习的区块链数据管理方法、系统及存储介质 |
| CN114726868B (zh) * | 2022-02-24 | 2024-03-08 | 北京工业大学 | 一种面向分布式网络的分级分片区块链架构 |
| CN114726868A (zh) * | 2022-02-24 | 2022-07-08 | 北京工业大学 | 一种面向分布式网络的分级分片区块链架构 |
| CN114817946A (zh) * | 2022-03-18 | 2022-07-29 | 广西师范大学 | 基于可信执行环境的联邦学习梯度提升决策树训练方法 |
| CN114817946B (zh) * | 2022-03-18 | 2024-03-19 | 广西师范大学 | 基于可信执行环境的联邦学习梯度提升决策树训练方法 |
| CN114866599B (zh) * | 2022-04-29 | 2024-03-29 | 济南中科泛在智能计算研究院 | 基于最优联邦方选择的联邦学习方法、设备及系统 |
| CN114866599A (zh) * | 2022-04-29 | 2022-08-05 | 济南中科泛在智能计算研究院 | 基于最优联邦方选择的联邦学习方法、设备及系统 |
| CN116029370B (zh) * | 2023-03-17 | 2023-07-25 | 杭州海康威视数字技术股份有限公司 | 基于区块链的联邦学习的数据共享激励方法、装置及设备 |
| CN116029370A (zh) * | 2023-03-17 | 2023-04-28 | 杭州海康威视数字技术股份有限公司 | 基于区块链的联邦学习的数据共享激励方法、装置及设备 |
| CN117495566A (zh) * | 2023-11-15 | 2024-02-02 | 重庆邮电大学 | 一种基于人工智能的区块链异常交易检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111931242B (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931242B (zh) | 一种数据共享方法以及应用其的计算机设备及可读存储介质 | |
| Chai et al. | A hierarchical blockchain-enabled federated learning algorithm for knowledge sharing in internet of vehicles | |
| CN112348204B (zh) | 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 | |
| Yu et al. | A survey of multi-agent trust management systems | |
| CN111966698A (zh) | 一种基于区块链的可信联邦学习方法、系统、装置及介质 | |
| CN106097043B (zh) | 一种信用数据的处理方法及服务器 | |
| Wang et al. | Evidence-based trust: A mathematical model geared for multiagent systems | |
| CA3080050A1 (en) | Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data | |
| CN110732139B (zh) | 检测模型的训练方法和用户数据的检测方法、装置 | |
| Torky et al. | Proof of credibility: A blockchain approach for detecting and blocking fake news in social networks | |
| Bidgoly et al. | Modelling and quantitative verification of reputation systems against malicious attackers | |
| CN105760649A (zh) | 一种面向大数据的可信度量方法 | |
| CN114580009B (zh) | 基于联邦学习的区块链数据管理方法、系统及存储介质 | |
| CN112905187B (zh) | 编译方法、装置、电子设备及存储介质 | |
| CN114785580B (zh) | 一种云计算数据安全处理系统 | |
| CN104484616A (zh) | 一种MapReduce数据处理框架下的隐私保护方法 | |
| Ranathunga et al. | Blockchain-based decentralized model aggregation for cross-silo federated learning in industry 4.0 | |
| Wang et al. | Ppefl: Privacy-preserving edge federated learning with local differential privacy | |
| Yu et al. | Towards a privacy-preserving smart contract-based data aggregation and quality-driven incentive mechanism for mobile crowdsensing | |
| CN110874638B (zh) | 面向行为分析的元知识联邦方法、装置、电子设备及系统 | |
| CN107347064A (zh) | 基于神经网络算法的云计算平台态势预测方法 | |
| CN115378988A (zh) | 基于知识图谱的数据访问异常检测及控制方法、装置 | |
| CN117540376A (zh) | 一种支持抗投毒和推理攻击的联邦学习方法及系统 | |
| CN110874481B (zh) | 一种基于gbdt模型的预测方法和装置 | |
| Mahmoud et al. | Proof of learning: two Novel Consensus mechanisms for data validation using blockchain technology in water distribution system |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |