CN113159333A - 一种基于分层分片区块链的联邦学习方法、系统及装置 - Google Patents

一种基于分层分片区块链的联邦学习方法、系统及装置 Download PDF

Info

Publication number
CN113159333A
CN113159333A CN202110328742.7A CN202110328742A CN113159333A CN 113159333 A CN113159333 A CN 113159333A CN 202110328742 A CN202110328742 A CN 202110328742A CN 113159333 A CN113159333 A CN 113159333A
Authority
CN
China
Prior art keywords
chain
sub
training
fragment
main chain
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
Application number
CN202110328742.7A
Other languages
English (en)
Other versions
CN113159333B (zh
Inventor
曹傧
袁硕
孙耀华
彭木根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110328742.7A priority Critical patent/CN113159333B/zh
Publication of CN113159333A publication Critical patent/CN113159333A/zh
Application granted granted Critical
Publication of CN113159333B publication Critical patent/CN113159333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Computer Security & Cryptography (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及区块链和联邦学习技术领域，涉及一种基于分层分片区块链的联邦学习方法、系统及装置，方法包括使用智能合约构建主链及触发若干子链；各子链从主链中获取任务信息和基础模型并打包成子链交易提交到子链；各子链主节点选择的智能终端从对应子链中拉取任务信息和基础模型进行多轮训练；子链主节点聚合各智能终端上传的子链交易获得本轮分片模型，打包成子链交易提交到子链；各子链主节点将每次分片迭代中最后一轮分片模型打包成主链交易提交到主链，并批准主链中部分主链交易；本发明提出的分层分片区块链结构，减轻了由单个区块链网络承载整个联邦学习任务所带来的交易处理负担，充分发挥了区块链技术与联邦学习融合所带来的多维度增益。

Description

一种基于分层分片区块链的联邦学习方法、系统及装置
技术领域
本发明涉及区块链和联邦学习技术领域，特别涉及一种基于分层分片区块链的联邦学习方法、系统及装置。
背景技术
联邦学习是一种机器学习框架，由于其分布式特征使得各个训练参与方(终端或组织)能够在不上传本地原始数据的情况下，协调各方训练同一模型，进而在满足用户隐私保护、政府法律法规的要求下完成信息分享。
为了解决传统联邦学习中的安全和效率问题，现有技术中将区块链技术引入联邦学习架构中实现去中心化训练。然而，现有的基于区块链的联邦学习未能充分考虑部分共识算法对计算和存储资源的极大需求，同时有限的吞吐量也难以支撑大规模的训练任务，导致无法充分发挥区块链技术与联邦学习融合所带来的多维度增益。
发明内容
基于现有技术所存在的技术问题，本发明通过引入分布式数据库常用的分片方法将大型区块链驱动的联邦学习网络切割成不重叠的多个片区，各个片区并行且独立的完成各自训练和共识操作将有效的降低网络中各个节点的计算处理量和本地分布式账本大小，进而极大减少对计算和存储资源的需求。同时，构建基于有向无环图(DAG,DirectedAcyclic Graph)结构的主链以实现各个分片训练的模型的有效共享和验证。
本发明实施例通过提供一种基于分层分片区块链的联邦学习方法、系统及装置，用以解决在联邦学习中未能充分考虑部分共识算法对计算和存储资源的极大需求，同时有限的吞吐量也难以支撑大规模的训练任务等问题。
在本发明的第一方面，本发明实施例提供一种基于分层分片区块链的联邦学习方法，所述方法包括以下步骤：
智能合约根据训练任务构建出主链，触发各分片子链开启训练任务；
被触发的每个分片子链从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链；
各个子链主节点选择智能终端，所述智能终端从子链中拉取训练任务信息和基础模型进行本地训练，将训练完成后的基础模型和子链信息打包成子链交易并提交到子链；
各个子链节点将验证后的子链交易转发给子链主节点；所述子链主节点聚合本轮分片内各智能终端上传的子链交易获得本轮分片模型，并与子链信息打包成子链交易提交到子链；
各子链主节点将每次分片迭代中最后一轮分片内生成的分片模型与主链信息打包成主链交易提交到主链，并批准主链中部分主链交易。
进一步的，所述智能合约根据训练任务构建主链包括联邦学习任务请求者签署智能合约以声明任务信息，所述智能合约打包任务信息以生成创世块进而构建基于DAG共识的主链。
进一步的，在所述触发各分片子链开启训练任务的同时还包括智能合约监测共识主链状态，并从所述主链中拉取区块以获取各个分片的全局模型。
进一步的，智能合约定时从主链中的所有Tips拉取若干个Tips生成聚合模型；智能合约利用测试集验证该聚合模型的有效性；根据训练任务的目标判断所述聚合模型是否达到训练目标，若达到训练目标，智能合约向所有触发的分片子链发送停止信号，否则等待定时后智能合约继续进行状态监测。
进一步的，所述被触发的每个分片子链从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链包括：
判断当前分片迭代是否为第一次分片迭代；
若为第一次分片迭代，则拉取主链的创世块以获取训练任务信息；将主链创世块中的初始基础模型作为本次分片迭代过程中的基础模型，并将训练任务信息和子链信息打包成子链交易提交到子链；
若不是第一次分片迭代，则从主链Tips中挑选出n个Tips，验证所挑选的各个Tip中模型的有效性，并选择其中最有效的m个Tips，将其中每个Tip中的模型聚合生成本次分片迭代的基础模型，将该基础模型和子链信息打包成子链交易提交到子链。
进一步的，所述各个子链主节点选择出智能终端之后包括：
所述子链主节点向选中的智能终端发送任务邀请，所述任务邀请被所述智能终端确认后，授权智能终端接入该子链。
进一步的，所述批准主链中部分主链交易之后还包括子链主节点判断在本次分片迭代过程中是否收到智能合约发送的停止信号，若收到，子链主节点向其所属分片内其他所有参与训练的实体发送停止信号并停止训练操作；若未收到，则继续开启下一次分片迭代。
在本发明的第二方面，本发明实施例提供一种基于分层分片区块链的联邦学习系统，所述系统包括：
主链任务发布模块，用于部署智能合约并根据训练任务构建主链，触发各分片子链开启训练任务；
分片任务执行模块，用于监听所述主链任务发布模块的触发动作，从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链；
智能终端选择模块，用于选择出智能终端，并将分片子链与选择出的智能终端建立连接；
模型验证模块，用于根据测试集验证智能终端训练的本地模型、分片聚合生成的本次分片迭代的基础模型；
模型聚合模块，用于对模型验证模块使用的模型进行聚合，并输出聚合模型。
在本发明的第三方面，本发明实施例提供一种基于分层分片区块链的联邦学习装置，所述装置包括存储器以及处理器；
所述存储器用于存储运行的程序和区块链中生成的区块；
所述处理器用于根据所述程序执行如本发明第一方面所述的方法。
本发明的有益效果：
1、本发明提出了在若干子链构成的分片区块链结构，减轻了由单个区块链网络承载整个联邦学习任务所带来的交易处理负担，同时保证在训练数据本地化情况下完成学习任务，规避数据直接分享和隐私泄露的风险，满足用户隐私保护和数据安全的前提下实现模型的迭代升级；
2、本发明提出了由主链和子链构成的分层区块链结构，有效实现各子链与主链的交互，进而实现对各子链训练所得分片模型的验证和分享，保证了分片模型的有效性和主链的健壮性；
3、本发明基于分层分片区块链，在联邦学习任务实现过程中，实现了从任务发布到任务训练及任务确认全流程去中心化，有效避免原生联邦学习依赖中心化模型聚合带来的单点故障风险，为后续构建平台化通用化的去中心化模型交易平台提供有效基础。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例中的一种应用场景的示例性系统架构图；
图2是本发明一个实施例中基于分层分片区块链的联邦学习方法流程图；
图3是本发明实施例中智能合约实时监测基于DAG共识的主链状态的流程图；
图4是本发明实施例中被触发的每个分片子链通过第一指令执行的流程图；
图5是本发明实施例中被触发的每个分片子链通过第二指令执行的流程图；
图6是本发明实施例中批准部分主链交易之后的流程图；
图7是本发明实施例中一种基于分层分片区块链的联邦学习系统的框架示意图；
图8是本发明实施例中一种基于分层分片区块链的联邦学习装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在联邦学习的场景中，传统的联邦学习架构大多为主/从架构，需要集中式服务器确定参与训练的参与者以及参与者的本地模型，进行汇聚后以更新全局模型。这种中心化的方法性能受限于集中式服务器的性能，在面临海量参与方或者服务请求者并行请求时容易造成网络阻塞。由于传统联邦学习的容灾性取决于集中式服务器的鲁棒性，因此在遭遇单点故障后容易导致整个模型训练系统瘫痪。此外，参与方有意或无意的错误行为所生成的异常模型也需要被有效的探测和移除，否则也会影响全局模型的收敛速度和准确率。另外，联邦学习同步和异步两种范式的训练效率还分别面临着散乱者(stragglers)和陈旧模型的影响；即使将区块链技术引入到联邦学习架构中实现去中心化训练，然而却未能充分考虑部分共识算法对计算和存储资源的极大需求，同时有限的吞吐量也难以支撑大规模的训练任务。
为了解决上述技术问题，本发明实施例提出的一种基于分层分片区块链的联邦学习方法、系统及装置，采用分层分片的思想，根据优化规则(例如网络负载均衡和服务潮汐优化等)将边缘网络进行切分形成若干个不重叠的逻辑区域，其中每个逻辑区域称为一个分片，并且每个分片上各自部署一个独立的区块链(简称为子链)，进而构成由若干个分片及分片内部署的区块链组成的分片区块链网络；同时，为了实现各分片子链间的信息交互和共享，通过构建基于DAG共识的主链实现对各分片子链提交的主链交易的异步处理，进而构成由主链和若干子链组成的分层区块链网络；在子链上进行模型的训练和验证，通过子链与主链的交互过程，可以获取最终的训练模型，这种子链结构有效减轻了由单个区块链网络承载整个联邦学习任务所带来的交易处理负担，降低了存储资源和吞吐量的占用消耗。
下面先结合图1对本发明实施例中提供的技术方案中一种可能的应用场景进行说明。
如图1所示，本发明实施例提供的一种系统架构包括由智能终端101、102、103和边缘节点104构成的分片网络，以及由边缘服务器105、云计算中心106和边缘节点104构成的主链网络。
在如图1所示的应用场景中，分片网络1、分片网络2、……、分片网络k可以作为本发明实施例提供的一种基于分层分片区块链的联邦学习方法的执行主体之一，主链网络可以作为本发明实施例提供的一种基于分层分片区块链的联邦学习方法的另一执行主体。
其中分片网络中边缘节点104构成点对点网络，其可以包括各种连接类型，例如有线宽带和无线通信链路等。
其中主链网络中边缘服务器105、云计算中心和边缘节点104构成点对点网络，其可以包括各种连接类型，例如有线宽带和无线通信链路等。
智能终端(101、102、103)可以是具有计算能力的各种终端电子设备，包括但不限于智能手机、笔记本、PDA智能终端、平板电脑、车载智能终端，可穿戴设备等等。智能终端(101、102、103)可以通过有线宽带和无线通信链路等各种连接方式与其所属的分片网络中的边缘节点104交互，以接收和发送消息。
边缘节点104可以是提供网络接入和计算能力的智能接入节点，例如智能网关等。
边缘服务器105可以是提供计算服务的服务器，例如用户自建的网络附属存储(NAS，Network Attached Storage)等。
云计算中心106可以是提供海量计算和存储的第三方云服务提供商。
需要说明的是，本申请实施例所提供的基于分层分片区块链的联邦学习网络下的模型训练方法是去中心化的，云计算中心106在主链网络可以视为一个与边缘服务器105具有同等地位的计算节点。
应该理解，图1中的智能终端、边缘节点、边缘服务器和云计算中心的类别和数目仅仅是示意性的。根据实现需要，可以具有任意数目的各种类型的具有计算能力的实体，本发明对此不作具体的限定。
以下结合附图，详细说明本发明各实施例提供的技术方案。
图2是本发明一个实施例中基于分层分片区块链的联邦学习方法流程图，如图2所示，该方法可由如图1所示的主链网络和分片网络执行并实现，所述方法包括如下：
S101、智能合约根据训练任务构建主链，触发各分片子链开启训练任务；
在所述步骤S101中，为了构建出主链，需要搭建出基于分层分片区块链的联邦学习平台，联邦学习任务请求者签署智能合约以声明训练任务要求、初始基础模型和测试集等训练任务信息，智能合约打包训练任务信息以生成创世块从而构建基于DAG共识的主链，之后触发各分片中的子链开启所述训练任务。
具体的，所述基于分层分片区块链的联邦学习平台由分片网络中的子链、基于DAG共识的主链网络以及区块链中的智能合约构成。
所述分片是将由具有计算能力的边缘节点和智能终端等构成的边缘网络根据优化规则进行切分所形成的不重叠的逻辑区域，其中每个逻辑区域称为一个分片。
其中，所述具有计算能力的边缘节点包括但不限于边缘服务器和提供计算服务的无线接入节点。
所述子链为部署在所述分片中的区块链，每个分片上各自承载了一个独立的区块链，不同分片间的训练是独立并行且异步操作；
所述主链可以是基于DAG共识构建，该主链由所述边缘网络或云服务中心等具有计算能力的实体所承载的采用DAG共识的区块链。
显然，在本发明中，边缘网络的某些边缘节点既可以作为分片的一部分以部署子链，也可以同时作为主链网络的一部分以部署主链；本领域技术人员可以根据实际进行适应性的部署。
所述联邦学习任务请求者是需要利用智能终端的算力和数据以训练其所需机器学习模型的客户。
所述智能合约是一个部署在计算机系统上，当一定条件被满足的情况下，可以被自动执行的合约程序。
所述训练任务要求包括训练任务的目标、训练设置和智能终端数据要求等。
其中，所述训练任务的目标可以指的是目标模型的最低准确度，也可以指的是训练出目标模型的所花费的最小时间复杂度等等。
所述训练设置可以是每个智能终端本地训练轮数和学习速率等。
所述智能终端数据要求可以是训练所需数据类型和大小等。
举个例子，将训练任务要求中的训练任务的目标设置为目标模型的最低准确度为99.9％，智能终端数据要求为训练所需的数据类型结构化数据和非结构化数据，以结构化数据为例，假设某一智能终端位于金融系统中，那么该数据可以包括信用卡号码、日期、财务金额、电话号码、地址以及产品名称等；具体的数据大小可以根据该系统中所需的大小进行设计，假设该数据有10个字节，除了字节头和字节尾以外，中间的字节可以分别存储信用卡号码、日期、财务金额、电话号码、地址以及产品名称等。
具体的，联邦学习任务请求者通过签署基于分层分片区块链的联邦学习平台上格式化的智能合约，从而设置其训练任务的目标、训练设置、智能终端数据要求、初始基础模型和测试集等训练任务信息；在智能合约签署之后，智能合约将训练任务信息打包之后生成创世块从而构建基于DAG共识的主链，之后触发基于分层分片区块链的联邦学习平台中的多个分片子链。
所述初始基础模型为所述联邦学习任务请求者提供的用于训练的模型网络结构和初始化参数等。
所述测试集为联邦学习任务请求者提供的用于校验训练任务所输出的模型的有效性(例如准确度和错误率等)，测试集中的每个样本通常包括特征和标签。
在一些优选实施例中，在触发分片子链后，本发明实施例中还同时通过监测主链状态确认是否达成训练任务目标。
其中，具体的，联邦学习任务请求者通过签署基于分层分片区块链的联邦学习平台上格式化的智能合约，从而设置其训练任务的目标、训练设置、智能终端数据要求、初始基础模型和测试集等训练任务信息；在智能合约签署之后，智能合约将训练任务信息打包之后生成创世块从而构建基于DAG共识的主链，之后触发基于分层分片区块链的联邦学习平台中的多个分片子链，同时智能合约实时监测主链状态确认是否达成训练任务目标；
更具体的，智能合约实时监测基于DAG共识的主链状态，从主链拉取区块以获取基于分层分片区块链的联邦学习平台上该任务的最新全局模型，图3给出了该过程中的具体操作流程，如图3所示，该具体操作内容包括：
S111：智能合约实时监测基于DAG共识的主链状态；
S112：智能合约定时从基于DAG共识的主链的所有Tips中拉取l个Tips进行聚合生成模型；
在本发明实施例中，所采用的模型聚合操作可以采用联邦平均算法：
Figure BDA0002995557700000091
其中，ω(i)表示智能合约进行的第i次主链状态监测所聚合生成模型的参数，ωj(i)表示第j个Tip中的模型参数。
当然，可以理解的是，模型聚合操作除了使用上述联邦平均算法以外，还可以采用线性融合(Linear Blending)、堆叠融合(Stacking or Any Blending)以及加权基算法(Weighted Base Algorithm)等，只要可以实现对Tip中模型参数的融合即可，本发明对这些模型聚合操作的算法不作具体的限定。
S113：智能合约利用测试集验证该聚合模型有效性；
S114：并根据训练任务的目标判断该模型是否达到目标；
S115：若达到训练目标，则智能合约向所有触发的分片子链发送任务停止信号；
S116：若未达到训练目标，则智能合约不进行任务停止操作，并等待t时间后进行下一次主链状态监测。
所述Tips为主链中未被其他主链交易验证的主链交易，其位于主链基于所有主链交易构建的DAG图中的末端；
需要指出的是，在基于DAG共识的主链中，每个主链交易被视作一个区块。
所述l可根据训练任务自行设定，可以是一个常量也可以设置成根据训练状态变化的变量，其中l≥1；本领域技术人员可以根据实际进行适应性的设定。
示例性的，聚合操作可以是模型对应位置参数取平均；
所述主链交易为子链主节点将子链所属的分片训练生成的模型与主链信息打包并提交到主链的交易；其中，所述主链消息是其他必要信息，例如主链鉴权信息和时间等。
所述子链主节点为各分片网络中负责与主链进行交互的边缘节点；具体的，子链主节点负责从主链拉取训练任务信息和Tips、选择参与训练的智能终端、聚合每一轮分片内训练中智能终端提交的模型以及提交主链交易到主链并验证主链上主链交易的有效性等；除此之外，子链主节点还需要履行作为子链节点相关的操作，比如，验证子链交易的有效性等。
所述等待t时间由基于分层分片区块链的联邦学习平台根据训练任务大小和迭代速度等信息来设定，举个例子，可设定成
Figure BDA0002995557700000101
其中λ为主链交易生成速率；
S103、被触发的每个分片子链从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链；
在本发明实施例中，被触发的每个分片子链需要判断当前时刻的分片迭代是否为初始分片迭代，按照不同的判断结果执行不同的指令，具体的：
在本发明的一个实施例中，图4给出了本发明实施例中被触发的每个分片子链通过第一指令执行的流程图，如图4所示，所述第一指令执行的流程包括：
S131、被触发的每个分片子链判断出当前分片迭代即本次分片迭代为第一次分片迭代；
S132、拉取主链的创世块以获取训练任务信息；将主链创世块中的初始基础模型作为本次分片迭代过程中的基础模型，并将训练任务信息和子链信息打包成子链交易提交到子链；
若当前分片迭代为第一次分片迭代，相当于该分层分片区块链刚开始进行建立完成基于DAG共识的主链，触发各分片中的子链开启训练任务。此时，被触发的该分片子链从基于DAG共识的主链中拉取创世块，从而获取创世块中相关的训练任务信息。将这些训练任务信息和子链信息打包成子链交易提交到子链，同时使用创世块中的初始基础模型作为本次分片迭代的基础模型，以该基础模型开始，将该基础模型作为当前分片迭代过程中第一轮分片内训练中所使用的模型。
所述子链信息是生成子链交易所需的其他必要信息，例如子链鉴权信息和时间等。
在本发明的另一个实施例中，图5给出了本发明实施例中被触发的每个分片子链通过第二指令执行的流程图，如图5所示，所述第二指令执行的流程包括：
S133、被触发的每个分片子链判断当前分片迭代即本次分片迭代不是第一次分片迭代；
S134、从主链Tips中挑选出n个Tips，验证所挑选的各个Tip中模型的有效性，并选择其中最有效的m个Tips，将其中每个Tip中的模型聚合生成本次分片迭代的基础模型，将该基础模型和子链信息打包成子链交易提交到子链。
其中，可以将最有效的m个Tips作为基础迭代集，从所述基础迭代集中提取出每个Tip中的模型，将每个Tip中的模型用于聚合生成本次分片迭代的基础模型，之后将该基础模型和子链信息打包成子链交易提交到子链；同理，这里的子链信息也可以是子链鉴权信息和时间信息等。
需要说明的是，在本发明实施例中，每次分片迭代过程指的是每个分片网络在当前分片中运行多轮本地训练迭代的过程，也即是分片子链从主链获取用于本次训练的基础模型之后到分片子链生成一个可以打包成主链交易的模型的过程，该过程称为一次分片迭代。
在上述实施例中，所述子链交易为子链将子链所属的分片训练生成的模型与其他必要信息(例如子链鉴权信息和时间等)打包并提交到子链的交易以及智能终端将其自身训练生成的模型与其他必要信息(例如子链鉴权信息和时间等)打包并提交到子链的交易。
S105、各个子链主节点选择智能终端，所述智能终端从子链中拉取任务信息和基础模型进行本地训练，将训练完成后的基础模型与子链信息打包成子链交易并提交到子链；
其中，所述各个子链主节点选择智能终端主要包括各子链的主节点根据训练任务需求和各自分片内智能终端状态信息选择各自分片内的智能终端候选者以参与本轮分片内训练，之后向被选中的智能终端发送任务邀请，在邀请被确认之后授权智能终端接入此子链。
所述智能终端状态信息包括智能终端的网络状态，例如网络连接方式、网络信号强度等，和智能终端的能源状态，例如智能终端充电状态、剩余电量和功耗等；
被选中的智能终端在接受子链训练邀请之后接入该子链以拉取任务信息和用于本轮分片内训练的基础模型，并根据训练任务要求和该基础模型利用本地数据进行本地训练，然后将训练好的模型打包成子链交易提交到子链。
需要说明的是，在本发明实施例中，一轮分片内训练指的是分片内子链主节点在选择好参与本轮分片内训练智能终端之后到分片内子链主节点聚合这些智能终端提交的子链交易中的模型以生成新的子链交易的过程。
示例性的，每个智能终端将训练好的模型打包成子链交易提交给该智能终端所连接的子链节点。
示例性的，分片内训练的基础模型有两种情况：如果该轮次分片内训练为某一次分片迭代的第一轮分片内训练，则该轮分片内训练的基础模型为该次分片迭代的基础模型；否则，该轮分片内训练的基础模型为上一轮分片内训练过程中所有智能终端提交的子链交易内的模型所聚合的模型。
可以理解的是，本发明实施例中，包括若干次分片迭代和若干轮分片内训练，每一次分片迭代过程都包括若干轮分片内训练过程；其中每次分片迭代过程中包含的分片内训练的轮数a(a≥1)由任务发布者根据自身需求决定；当输出当前分片迭代的模型后，如若分片在本次分片迭代过程中没有收到智能合约发送的停止信号，则可以继续进行下一次分片迭代过程。
需要说明的是，每一个分片网络中的训练过程都是独立且异步的，考虑到每个分片网络完成一次分片迭代所需时间可能不同，在同一时刻，不同分片网络已完成的分片迭代次数可能不一样，比如分片网络1可能在进行第c次分片迭代，而分片网络2可能在进行第d次分片迭代，其中c>d。
S107、各个子链节点将验证后的子链交易转发给子链主节点；所述子链主节点聚合本轮分片内各智能终端上传的子链交易获得本轮分片模型，并与子链信息打包成子链交易提交到子链；
所述本轮分片内训练表示当前轮次分片内训练，进一步的，一轮次分片内训练为从子链主节点向参与训练的智能终端授权之后到所有智能终端都训练完成各自模型并打包成子链交易各自提交到子链的过程。
S109、各子链主节点将每次分片迭代中最后一轮分片内训练生成的分片模型与主链信息打包成主链交易提交到主链，并批准主链中部分主链交易。
其中，对于每次分片迭代过程，可以判断本轮分片内训练是否是本次分片迭代中最后一轮分片内训练，若不是最后一轮分片，则可以返回步骤S107；若是最后一轮分片，则表示本次分片迭代完成，子链主节点将本次分片迭代中最后一轮分片内训练获得的分片模型与主链信息打包成主链交易提交到主链，并批准本次分片迭代中选择的基础迭代集中所有Tips。
所述分片模型为每个分片完成一次分片内训练聚合本轮分片内训练选择的智能终端训练生成的本地模型所生成的模型，其代表该分片在本轮分片内训练的成功。
在一些实施例中，图6示出了所述批准主链中部分主链交易之后的流程图，如图6所示，具体还包括：
S191、子链主节点判断在本次分片迭代过程中是否收到智能合约发送的停止信号；
S192、若收到，子链主节点向其所属分片内其他所有参与训练的实体发送停止信号并停止训练操作；
S193、若未收到，则继续开启下一次分片迭代，相当于返回步骤S103继续下一次分片迭代过程。
图7是本发明的一个实施例中一种基于分层分片区块链的联邦学习系统，如图7所示，所述系统包括：
主链任务发布模块，用于部署智能合约并根据训练任务构建主链，触发各分片子链开启训练任务；
在本发明实施例中，所述主链任务发布模块具体可以用于部署智能合约从而根据联邦学习任务请求者声明的训练任务要求、初始基础模型和测试集等训练任务信息构建基于DAG共识的主链，并触发基于分层分片区块链的联邦学习平台中各分片中的子链进行训练任务。
在一些优选实施例中，所述主链任务发布模块还负责监测基于DAG共识的主链状态，并判断训练任务是否达到预期目标以决定是否发送任务停止信号。
分片任务执行模块，用于监听所述主链任务发布模块的触发动作，从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链。
在一些实施例中，所述分片任务执行模块具体用于监听所述主链任务发布和管理模块的触发动作，同时负责与主链进行交互，当接收到所述主链任务发布和管理模块的触发信息后，该模块从主链获取到用于本次分片迭代的基础模型和相关的训练任务信息并和其他信息一起打包成子链交易提交到子链。
在一些优选实施例中，该分片任务执行模块还负责在接收到所述主链任务发布和管理模块的任务停止信号后，停止分片的训练任务。
智能终端选择模块，用于选择出智能终端，并将分片子链与选择出的智能终端建立连接；
具体的，所述智能终端选择模块用于根据智能终端的状态(例如网络状态和能源状态等)和智能终端历史训练任务完成状态等多维信息选择参与本轮分片内训练的智能终端，并向被选中的智能终端发送任务邀请，在邀请被确认之后授权智能终端接入到分片子链。
模型验证模块，用于根据测试集验证智能终端训练的本地模型、分片聚合生成的本次分片迭代的基础模型；
具体的，所述模型验证模块可以验证子链交易，还可以用于利用测试集验证智能终端训练的本地模型、分片聚合生成的本次分片迭代的基础模型和智能合约在监测主链状态过程中聚合生成的模型等的有效性。
模型聚合模块，用于对模型验证模块使用的模型进行聚合，并输出聚合模型，所述模型聚合模块主要是从共识主链中的所有Tips拉取若干个Tips进行模型聚合，该聚合操作可以是模型对应位置参数取平均等。
图8是本发明实施例中一种基于分层分片区块链的联邦学习装置结构示意图，如图8所示，所述装置包括存储器以及处理器；
所述存储器用于存储运行的程序和区块链中生成的区块；
具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。所述区块链中的区块包括主链中的创世块以及交易过程中区块；存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
所述处理器用于根据所述程序执行如本发明说明书所述的一种基于分层分片区块链的联邦学习方法。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成基于多标签的联邦学习装置。处理器，执行存储器所存放的程序，并具体用于执行以下步骤：
智能合约打包任务信息构建出共识主链，触发各分片子链开启训练任务；
被触发的每个分片子链从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链；
各个子链主节点选择出智能终端，所述智能终端从子链中拉取任务信息和基础模型进行本地训练，将训练完成后的基础模型打包成子链交易并提交到子链；
各个子链节点将验证后的子链交易转发给子链主节点；所述子链主节点聚合本轮分片内各智能终端上传的子链交易获得本轮分片模型，并打包成子链交易提交到子链；
各子链主节点将每次分片迭代中最后一轮分片模型打包成主链交易提交到主链，并批准主链中部分主链交易。
上述如本说明书图2所示实施例揭示的基于分层分片区块链的联邦学习方法所执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于分层分片区块链的联邦学习方法，其特征在于，所述方法包括：
智能合约根据训练任务构建主链，触发各分片子链开启训练任务；
被触发的每个分片子链从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链；
各个子链主节点选择智能终端，所述智能终端从子链中拉取训练任务和基础模型进行本地训练，将训练完成后的基础模型与子链信息打包成子链交易并提交到子链；
各个子链节点将验证后的子链交易转发给子链主节点；所述子链主节点聚合本轮分片内各智能终端上传的子链交易获得本轮分片模型，并与子链信息打包成子链交易提交到子链；
各子链主节点将每次分片迭代中最后一轮分片内训练生成的分片模型打包成主链交易提交到主链，并批准主链中部分主链交易。
2.根据权利要求1所述的一种基于分层分片区块链的联邦学习方法，其特征在于，所述智能合约根据训练任务构建主链包括联邦学习任务请求者签署智能合约以声明训练任务信息，所述智能合约打包训练任务信息以生成创世块进而构建出基于DAG共识的主链。
3.根据权利要求1所述的一种基于分层分片区块链的联邦学习方法，其特征在于，所述主链为基于DAG共识的区块链。
4.根据权利要求1所述的一种基于分层分片区块链的联邦学习方法，其特征在于，在所述触发各分片子链开启训练任务的同时还包括智能合约监测主链状态，并从所述主链中拉取区块以获取全局模型。
5.根据权利要求4所述的一种基于分层分片区块链的联邦学习方法，其特征在于，智能合约定时从主链中的所有Tips拉取若干个Tips生成聚合模型；智能合约利用测试集验证该聚合模型的有效性；根据训练任务的目标判断所述聚合模型是否达到训练目标，若达到训练目标，智能合约向所有触发的分片子链发送停止信号，否则等待定时后智能合约继续进行状态监测。
6.根据权利要求1所述的一种基于分层分片区块链的联邦学习方法，其特征在于，所述被触发的每个分片子链从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链包括：
判断当前分片迭代是否为第一次分片迭代；
若为第一次分片迭代，则拉取主链的创世块以获取训练任务信息；将主链创世块中的初始基础模型作为本次分片迭代过程中的基础模型，并将训练任务信息和子链信息打包成子链交易提交到子链；
若不是第一次分片迭代，则从主链Tips中挑选出n个Tips，验证所挑选的每个Tip中模型的有效性，并选择其中最有效的m个Tips，将其中每个Tip中的模型聚合生成本次分片迭代的基础模型，将该基础模型和子链信息打包成子链交易提交到子链。
7.根据权利要求1所述的一种基于分层分片区块链的联邦学习方法，其特征在于，所述各个子链主节点选择智能终端之后包括：
所述子链主节点向选中的智能终端发送任务邀请，所述任务邀请被所述智能终端确认后，授权智能终端接入该子链。
8.根据权利要求1所述的一种基于分层分片区块链的联邦学习方法，其特征在于，所述批准主链中部分主链交易之后还包括子链主节点判断在本次分片迭代过程中是否收到智能合约发送的停止信号，若收到，子链主节点向其所属分片内其他所有参与训练的实体发送停止信号并停止训练操作；若未收到，则继续开启下一次分片迭代。
9.一种基于分层分片区块链的联邦学习系统，其特征在于，所述系统包括：
主链任务发布模块，用于部署智能合约并根据训练任务构建主链，触发各分片子链开启训练任务；
分片任务执行模块，用于监听所述主链任务发布模块的触发动作，从所述主链中获取本次分片迭代的基础模型，将所述基础模型与子链信息打包成子链交易并提交到子链；
智能终端选择模块，用于选择出智能终端，并将分片子链与选择出的智能终端建立连接；
模型验证模块，用于根据测试集验证智能终端训练的本地模型、分片聚合生成的本次分片迭代的基础模型；
模型聚合模块，用于对模型验证模块使用的模型进行聚合，并输出聚合模型。
10.一种基于分层分片区块链的联邦学习装置，其特征在于，所述装置包括存储器以及处理器；
所述存储器用于存储运行的程序和区块链中生成的区块；
所述处理器用于根据所述程序执行如权利要求1～8任一所述的方法。
CN202110328742.7A 2021-03-27 2021-03-27 一种基于分层分片区块链的联邦学习方法、系统及装置 Active CN113159333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110328742.7A CN113159333B (zh) 2021-03-27 2021-03-27 一种基于分层分片区块链的联邦学习方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110328742.7A CN113159333B (zh) 2021-03-27 2021-03-27 一种基于分层分片区块链的联邦学习方法、系统及装置

Publications (2)

Publication Number Publication Date
CN113159333A true CN113159333A (zh) 2021-07-23
CN113159333B CN113159333B (zh) 2022-10-11

Family

ID=76885618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110328742.7A Active CN113159333B (zh) 2021-03-27 2021-03-27 一种基于分层分片区块链的联邦学习方法、系统及装置

Country Status (1)

Country Link
CN (1) CN113159333B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113612598A (zh) * 2021-08-02 2021-11-05 北京邮电大学 基于秘密共享和联邦学习的车联网数据共享系统及方法
CN113837754A (zh) * 2021-09-16 2021-12-24 安徽中科晶格技术有限公司 基于账户链和守护链的dag区块链结构的系统及方法
CN114070775A (zh) * 2021-10-15 2022-02-18 上海智能网联汽车技术中心有限公司 面向5g智能网联系统的区块链网络切片安全智能优化方法
CN114244835A (zh) * 2021-11-19 2022-03-25 海南火链科技有限公司 基于区块链的去中心化自适应协同训练方法和装置
CN114339733A (zh) * 2021-12-30 2022-04-12 中国电信股份有限公司 模型训练方法及相关设备
CN114328432A (zh) * 2021-12-02 2022-04-12 京信数据科技有限公司 一种大数据联邦学习处理方法及系统
CN114863169A (zh) * 2022-04-27 2022-08-05 电子科技大学 一种结合并行集成学习和联邦学习的图像分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241087A (zh) * 2018-09-27 2019-01-18 福建福链科技有限公司 一种联盟链的数据处理方法及终端
CN109697606A (zh) * 2018-09-30 2019-04-30 贝克链区块链技术有限公司 基于创新性的信誉证明共识协议的分布式网络及生态系统
CN110138596A (zh) * 2019-04-13 2019-08-16 山东公链信息科技有限公司 一种基于切换网络拓扑方式的区块链共识方法
CN110941647A (zh) * 2019-11-11 2020-03-31 华中科技大学 一种基于dag的区块链的跨链交互方法和系统
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
CN112132293A (zh) * 2020-09-30 2020-12-25 腾讯科技（深圳）有限公司 纵向联邦学习中的计算方法、装置、设备及介质
CN112434313A (zh) * 2020-11-11 2021-03-02 北京邮电大学 数据共享方法、系统、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241087A (zh) * 2018-09-27 2019-01-18 福建福链科技有限公司 一种联盟链的数据处理方法及终端
CN109697606A (zh) * 2018-09-30 2019-04-30 贝克链区块链技术有限公司 基于创新性的信誉证明共识协议的分布式网络及生态系统
CN110138596A (zh) * 2019-04-13 2019-08-16 山东公链信息科技有限公司 一种基于切换网络拓扑方式的区块链共识方法
CN110941647A (zh) * 2019-11-11 2020-03-31 华中科技大学 一种基于dag的区块链的跨链交互方法和系统
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
CN112132293A (zh) * 2020-09-30 2020-12-25 腾讯科技（深圳）有限公司 纵向联邦学习中的计算方法、装置、设备及介质
CN112434313A (zh) * 2020-11-11 2021-03-02 北京邮电大学 数据共享方法、系统、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHUO YUAN 等: "ChainsFL: Blockchain-driven Federated Learning from Design to Realization", 《2021 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 *
SHUO YUAN: "Secure and Efficient Federated Learning Through Layering and Sharding Blockchain", 《HTTPS://ARXIV.ORG/ABS/2104.13130》 *
YUNLONG LU 等: "Blockchain Empowered Asynchronous Federated Learning for Secure Data Sharing in Internet of Vehicles", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
雷凯等: "智能生态网络：知识驱动的未来价值互联网基础设施", 《应用科学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113612598A (zh) * 2021-08-02 2021-11-05 北京邮电大学 基于秘密共享和联邦学习的车联网数据共享系统及方法
CN113612598B (zh) * 2021-08-02 2024-02-23 北京邮电大学 基于秘密共享和联邦学习的车联网数据共享系统及方法
CN113837754A (zh) * 2021-09-16 2021-12-24 安徽中科晶格技术有限公司 基于账户链和守护链的dag区块链结构的系统及方法
CN113837754B (zh) * 2021-09-16 2023-11-17 安徽中科晶格技术有限公司 基于账户链和守护链的dag区块链结构的系统及方法
CN114070775A (zh) * 2021-10-15 2022-02-18 上海智能网联汽车技术中心有限公司 面向5g智能网联系统的区块链网络切片安全智能优化方法
CN114244835A (zh) * 2021-11-19 2022-03-25 海南火链科技有限公司 基于区块链的去中心化自适应协同训练方法和装置
CN114244835B (zh) * 2021-11-19 2023-09-29 海南火链科技有限公司 基于区块链的去中心化自适应协同训练方法和装置
CN114328432A (zh) * 2021-12-02 2022-04-12 京信数据科技有限公司 一种大数据联邦学习处理方法及系统
CN114339733A (zh) * 2021-12-30 2022-04-12 中国电信股份有限公司 模型训练方法及相关设备
CN114339733B (zh) * 2021-12-30 2023-12-01 中国电信股份有限公司 模型训练方法及相关设备
CN114863169A (zh) * 2022-04-27 2022-08-05 电子科技大学 一种结合并行集成学习和联邦学习的图像分类方法

Also Published As

Publication number Publication date
CN113159333B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN113159333B (zh) 一种基于分层分片区块链的联邦学习方法、系统及装置
CN111382456B (zh) 提案消息处理方法、装置、设备以及存储介质
CN110417558A (zh) 签名的验证方法和装置、存储介质及电子装置
CN109087101B (zh) 交易校验方法、装置、存储介质及电子设备
CN112073269B (zh) 区块链网络测试方法、装置、服务器及存储介质
US20230299984A1 (en) Blockchain-based data processing method, apparatus and device, and storage medium
CN108399572A (zh) 区块链交易处理方法、装置及存储介质
CN109859043B (zh) 一种交易清算方法和交易清算系统
US20230037932A1 (en) Data processing method and apparatus based on blockchain network, and computer device
CN112163856A (zh) 用于区块链与物联网融合场景的共识方法及系统
CN108984404A (zh) 一种异常信息处理方法及系统，一种计算机产品
CN114357495B (zh) 基于区块链的预言机链下聚合方法、装置、设备和介质
CN110930254A (zh) 基于区块链的数据处理方法、装置、终端及介质
CN109508295A (zh) 区块链共识算法测试方法、装置、计算装置和存储介质
CN113872828A (zh) 区块链预言机状态监控方法
CN113645278A (zh) 一种区块链的跨链消息传输方法、设备、存储介质
CN113259179A (zh) 一种基于节点评分的拜占庭容错共识方法与系统
CN113362067B (zh) 一种基于异步共识的电力交易撮合方法及系统
CN112565370B (zh) 基于无线通信与区块链场景的计算结果验证方法及系统
CN112766560B (zh) 联盟区块链网络优化方法、装置、系统和电子设备
WO2023179056A1 (zh) 区块链网络的共识处理方法、装置、设备及存储介质、程序产品
CN114095360B (zh) 一种通信业务开通方法及装置
CN115603903A (zh) 基于Snowman共识的联盟链多链系统及其交互与部署方法
CN112910643A (zh) 一种区块链中随机数的生成方法及装置
CN113435949B (zh) 基于智能合约的去中心化联邦机器学习方法、系统及存储介质

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