CN113434269A - 基于区块链的分布式隐私计算方法及装置 - Google Patents

Abstract

本发明提供一种基于区块链的分布式隐私计算方法及装置，所述装置包括区块链基础设施层、分布式并行计算层和界面展示层，所述方法包括计算请求客户端发布计算任务，对计算任务进行分解；任务分发模块进行任务分发，计算节点返回任务认领确认消息；计算请求客户端编写利益分配智能合约；计算节点下载训练模型进行训练，将结果返回给计算请求客户端；安全验证模块对计算节点传回的结果进行验证，并融合结果得到最终联邦模型；智能合约利用利益分配函数对各计算节点进行利益分配。与相关技术相比，本发明提供的基于区块链的分布式隐私计算方法及装置其数据隐私安全性好，降低计算成本，提高节点数据共享的积极性。

Description

基于区块链的分布式隐私计算方法及装置

技术领域

本发明涉及区块链技术领域，尤其涉及一种基于区块链的分布式隐私计算方法及装置。

背景技术

人工智能要在杂乱无章的海量内容中准确、快速的识别出目标图像/语音，就需要收集大量用户的数据、素材进行模型训练，不断优化识别模型。随着深度学习成为人工智能行业的主流算法，其所带来的高度依赖数据集的大规模学习方法，极大增加了对于大规模数据集的需求，一个优秀的深度学习模型是算法通过大量的数据集训练而达到的，耗费资源巨大又耗时长，因此数据集和计算能力成为了深度学习进行模型训练的关键。

现有技术存在计算资源集中，计算成本高和中心化的缺点。在计算能力方面，对于处理大数据的复杂计算任务，现有技术中，计算机科学界有两大方向，一个是集中式计算，就是通过不断增加处理器的数量来增加单个计算机的计算能力，从而提高计算处理的速度，另一个就是分布式计算，把一组计算机通过网络相互连接组成分散系统，然后将需要处理的大量计算任务，分解为多个部分，交由分散系统内的计算机组同时进行计算，最终将这些计算结果合并得到最终结果。集中式计算的方式往往投资巨大，需求量大时自己提供的资源往往不足，没需要时又容易造成资源浪费。分布式计算虽然能够将计算任务分配到不同计算机同时进行计算，但是还是采用中心化的分配方式，各分布式系统还是属于统一中心机构，仍然存在成本和数据分发过程中的安全性问题。

现有技术存在数据隐私问题，并由此造成的数据共享积极性低的缺点。在数据需求方面，现有的集中式和分布式计算方案需要数据在集中的物理位置，难以确保数据的安全性，容易导致数据的泄漏。目前个体或机构越来越重视数据隐私性，对于数据的分享越来越谨慎，因此很多数据方不愿意将自己的数据共享出去进行模型训练。

因此，有必要提供一种新型的基于区块链的分布式隐私计算方法及装置，以克服上述缺陷。

发明内容

本发明的目的在于提供一种新型的基于区块链的分布式隐私计算方法及装置，其数据隐私安全性好，降低计算成本，提高节点数据共享的积极性。

为了达到上述目的，本发明提供一种基于区块链的分布式隐私计算方法，包括如下步骤：

步骤一、通过计算请求客户端发布计算任务和初始模型，再通过资源调度模块根据计算任务对加密密钥进行秘密分解；

步骤二、通过任务分发模块根据任务分解选择合适的计算节点进行任务分发，计算节点进行验证后返回任务认领确认消息给计算请求客户端；

步骤三、计算请求客户端接收到任务认领确认消息后，调用智能合约接口编写利益分配智能合约，并上传至区块链网络；

步骤四、各计算节点认领任务后下载训练模型进行联邦训练，并将计算结果返回给计算请求客户端；

步骤五、计算请求客户端调用安全验证模块对计算节点传回的结果进行验证，并对各方训练结果进行融合得到最终联邦模型；

步骤六、智能合约利用利益分配函数对各计算节点进行利益分配，并根据利益分配结果实时分发激励，同时将执行过程和各用户的最新资产状态上链存储，实现资产和激励存证。

本发明另一方面提供一种基于区块链的分布式隐私计算装置，包括：区块链基础设施层、分布式并行计算层和界面展示层；

所述区块基础设施层用于存储信息、合约和工作证明，并激励拥有算力的用户提供服务，所述区块链基础设施层包括分布式账本模块、加密算法模块、共识机制模块以及智能合约模块；

所述分布式并行计算层用于资源调度、任务分发及信用验证；所述分布式并行计算层包括资源调度模块、任务分发模块、信用系统模块、结果验证模块和容错处理模块；

所述界面展示层用于提供可视化的页面展示和面向用户的便捷操作体验，所述界面展示层包括发布项目展示模块、计算资源贡献度展示模块、历史任务展示模块以及用户管理界面。

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存储有计算机程序，所述计算机程序被处理器执行时实现所述基于区块链的分布式隐私计算方法的步骤。

本发明还提供一种计算机终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于区块链的分布式隐私计算方法的步骤。

与相关技术相比较，本发明在满足数据持有方隐私需求的前提下，把数据方闲置的计算资源充分利用起来，在不断满足业务发展要求的同时降低成本；通过分布式网络充分利用社会上大量闲置的计算资源，组成超级计算网络，利用区块链智能合约不可篡改的特点提供一个存证溯源且即时激励的联邦学习装置，利用基于联邦学习分布式计算方法提供隐私安全的模型训练环境，本方案可带来的有益效果有：

(1)利用区块链的分布式特点将社会上大量闲置的计算资源组成超级计算网络，同时利用联邦学习的分布式协同计算特点，实现“数据不出门”、“数据可用不可见”，让数据在联邦计算节点训练完成后直接返回模型结果，保护计算方的数据隐私安全。

(2)通过秘密共享加密算法的消息机密性和消息可恢复性，只有指定计算方才能下载和使用训练模型，保护计算请求客户端的数据隐私安全。

(3)利用智能合约的不可篡改和自动执行特性，综合考虑各计算方的成本、任务量等因素对算力贡献者采用token的形式分发奖励，并将用户的资产和合约执行结果上链存储，在保证系统安全、稳定运行的同时，也让所有算力贡献者能从中获取回报，从而达到人工智能厂商低成本获取到神经网络计算能力的目的。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：

图1为本发明基于区块链的分布式隐私计算装置的系统架构图；

图2为本发明基于区块链的分布式隐私计算方法的流程图；

图3为本发明基于区块链的分布式隐私计算方法的系统模型图；

图4为本发明基于区块链的分布式隐私计算方法的训练模型图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。

本发明方案构建的基于区块链的分布式隐私计算装置功能框架如图1所示，底层为区块链基础设施层，主要功能是用来存储用户的资产、合约和工作证明等信息，构建一个公开公平透明的计算激励模式，激励算力拥有者贡献自己闲置的计算资源为有需求的用户提供服务。

中间层是分布式并行计算层，该层主要由资源调度模块、任务分发模块、信用系统、结果验证、容错处理等众多功能模块组成。资源调度模块负责接收计算请求客户端发布的项目，把需求方发布的项目分解为任务；任务分发模块负责将资源调度模块分解后的任务逐步分发给不同计算方。结果验证模块将对各方计算后的结果进行验证，对各联邦计算方的结果进行评价，生成评价指标表，并将结果上传至智能合约，智能合约将结合算力成本作为评价指标之一发放奖励；此外因为计算过程复杂且时间长，需要较强的容错处理机制，并不定期的进行安全检查。信用系统模块负责对各分布式节点的信用度进行评估，对参与计算信用度低的用户降低其奖励额度，对参与计算信用度非常低的用户将剔除分布式计算节点集。

上层是应用层，主要提供可视化的页面展示和面向用户的便捷操作体验，包括发布项目展示、计算资源贡献度展示、历史任务展示以及各分布式节点管理界面。

本方案具体实施的整体流程请参阅图2、图3和图4所示，包括资源调度、任务分发、结果验证、利益分配等核心步骤；下面内容将对图2所示的实施方案进行详细阐述。

步骤1：计算请求客户端发布计算任务，资源调度模块对计算任务进行分解。

以人工智能中的模型训练为例，通常获得精准的数据分析结果，需要采集大量数据对数据模型进行反复训练，集中计算的方式训练一个数据集可能需要花费几天，更复杂的模型甚至耗时更长，传统的分布式计算在分布式过程中进行数据传输也存在隐私泄露等安全性问题。

在本发明中，计算请求客户端将所需训练初始模型进行压缩存储在本地服务器，并为该模型的下载接口增加一个接口调用参数，只有利用该参数进行认证后才能进行下载模型进行训练，然后计算请求客户端通过该装置的应用程序发布计算任务，应用程序将生成一个临时密钥对该参数和模型存储地址进行加密，将加密后的数据上传至区块链。

资源调度模块根据训练任务对加密密钥进行秘密分解；

任务发布后应用程序自动调用资源调度模块执行秘密分发算法Share(tk)＝(τ₁，τ₂，...，τ_k，...，τ_n)，将应用程序生成的临时密钥按照需要的计算方数量随机拆分为n个子密钥份额，并将恢复该模型的门限阈值设置为k，即只有k个被选中的持有秘密份额的计算方联合才能恢复参数下载原始模型的压缩文件。通过该基于秘密共享方案来管理临时密钥，可以使得多个可验证计算方共同协作来管理下载训练模型的权限，避免单个或者少量恶意验证者获得密钥后随意篡改数据，从而提高模型数据的安全性和可信度。一般来说，k越大，则秘密共享方案的安全性越高，但可靠性越低，本发明取k∈(n/2，n)，即超过半数的持有秘密份额的计算方联合才能获得该训练模型。

步骤2：任务分发模块根据资源调度模块返回的任务分解结果，选择合适的计算节点进行任务分发；计算方接收消息并进行验证，验证通过后返回任务认领确认消息给计算请求客户端。

任务分发模块的具体工作流程如下：首先任务分发模块根据任务分解结果和计算请求客户端的需求，对每个计算任务的算力要求进行估算。然后采用基于最佳路由和算力的计算节点选举方法在符合该模型训练数据集类型的节点中选择符合算力要求且网络分发路由路径最佳的节点进行本任务的协同计算节点，并分别发送消息

给n个不同计算方。

其中τ_k表示第i个计算方的秘密份额，ρ表示该模型存储的区块索引位置，ω表示协同计算节点列表，pk_i表示该计算方的公钥，sig_μ表示计算请求客户端的数字签名。即将τ_k、ρ、ω等数据通过接收该数据的计算方公钥进行加密并附上本节点的数字签名发送给计算方，从而保证任务在发送过程中不被篡改和泄露。

计算方收到计算请求客户端发送的加密数据包，用自己的私钥对该数据包进行解密并进行验证，验证数字签名是否正确，验证通过后返回任务认领确认消息给计算请求客户端。

步骤3：计算请求客户端接收到所有计算方返回的任务认领确认消息后，调用智能合约接口编写利益分配智能合约，并上传至区块链网络；区块链网络中的计算节点收到主节点广播的智能合约后，查看/下载智能合约。

计算请求客户端编写此次任务的利益分配智能合约，并将该智能合约发布至区块链网络中。利益分配智能合约的内容包括合约的触发事件及条件、利益分配函数以及指定的计算方列表。其中触发条件表示触发合约执行的事件，在本发明中，触发事件为计算节点上传计算结果及工作证明，触发条件即各节点的签名确认；利益分配函数是指各计算节点本次任务贡献度和所得Token的计算方式。

网络中的计算节点接收到智能合约后查看智能合约的内容，检查智能合约中的计算方列表中是否包含本节点，若包含则该节点确认智能合约内容是否存在争议，若同意合约中的约定规则，则在智能合约中签署本节点的数字签名，当智能合约中约定计算节点都对合约进行签名确认后，合约便存储在区块链数据库中，并生成合约调用地址开始生效，智能合约将监听网络中发生的事件，当满足触发条件时执行利益分配函数，根据合约规则对各计算方进行工作激励，根据贡献度分配Token。

步骤4：各子任务计算方认领任务后，利用计算节点列表和本节点持有密钥恢复完整密钥后下载训练模型，并输入本地数据集对模型进行联邦训练，并将计算结果返回给计算请求客户端。

计算方收到计算任务后用自己的持有的密钥份额，根据计算节点列表协同其它计算节点共同恢复密钥，各联邦节点在收到来自其它节点的秘密份额后会进行验证密钥是否有效，若有效则通过秘密恢复算法Rec(τ₁，τ₂，...，τ_k，...，τ_n)＝tk∪⊥恢复密钥tk。然后各联邦节点利用该密钥对参数进行解密，利用该参数下载模型并输入本地数据集进行训练，训练完成后将输出的模型结果(梯度)用计算请求客户端的公钥进行加密并附上本节点的数字签名发送给需求方，同时上传本节点的工作证明至区块链网络，智能合约监听到该节点的工作证明会将工作证明进行汇总。工作证明主要包含该节点进行模型训练所占用的资源和训练时长。

步骤5：计算请求客户端调用安全验证模块对计算方传回的结果进行验证，验证通过后，上传评价指标至区块链并融合各方训练结果进行融合得到最终联邦模型。

计算请求客户端收到各计算方传回的模型训练结果，首先利用自身的私钥进行解密，并验证数字签名是否正确，然后对传回的模型采用测试数据集进行结果验证，对模型的质量进行评估，评估指标包括：模型的准确率、召回率、精确度，根据不同领域的模型训练类型和要求有不同的评价指标，下面以常见评价指标进行示例。

准确率＝被测试模型识别到的相关目标数/数据集中的数据总量

召回率＝被测试模型识别到的相关目标数/数据集中与测试模型相关的数据总数

精确度＝被测试模型识别到的正确目标数/数据集中与测试模型相关的数据总数

假设评价指标数量为m，则需求方对所有计算方传回的模型进行测试后将生成一个n×m的评价指标矩阵列表，并将该列表上传至区块链网络。此外计算请求客户端将融合所有计算方的模型训练结果得到此次任务的最终联邦模型。联邦计算的过程如图3所示。

步骤6：智能合约收到评指标表利用利益分配函数对各计算方进行利益分配，并根据利益分配结果实时分发Token，同时将执行过程和各用户的最新资产状态上链存储，实现资产和激励存证。

智能合约在监听到区块链网络中所有于与本合约相关的事件时，对事件进行验证，验证通过将收集所有属于本合约中的所有工作证明列表，并提取其中的数据进行利益分配函数计算各计算方应得的收益，智能合约将自动分配计算请求客户端存储在区块链中的Token，并将分配结果上链存储，保证结果的公正性和可溯源。

智能合约利益分配函数计算流程：

其中利益分配函数为：此次任务各分布式节点应得利益＝各分布式节点的贡献度×总激励额度。

其中各分布式节点的贡献度采用灰色关联度分析方法进行计算，具体如下：

通过智能合约调用链上存储的各协同计算节点的模型评价指标和工作证明列表，首先根据工作证明列表计算每个节点付出的算力成本(算力成本＝训练占用的资源×训练时长)；然后生成n×(m+1)指标数据，可以得到一个指标矩阵(x_ij)_n×(m+1)；

步骤61：确定参考指标序列

参考指标序列是一个比较的标准，本发明方案选取各指标的平均值构成参考序列，记作：

其中

表示第j个指标在n个计算方中的平均评估值，X_ij表示计算方i的第j个指标的评估值。

步骤62：逐个计算每个被评价节点指标序列与参考序列对应元素的绝对差值，

即：

步骤63：确定

与

步骤64：计算关联度系数

通过公式(2)，分别计算每个协同计算节点的指标序列与参考序列对应元素的关联系数

其中，ζ_ij即计算方i的第j个指标与参考指标

的关联度；其中ρ为分辨系数，取值范围为0＜ρ＜1。若ρ越小，关联系数间差异越大，区分能力越强，本发明方案中将ρ取0.5。

步骤65：计算各节点贡献关联度r_i，计算公式如下：

步骤66：根据公式(4)分别计算出各联邦节点的贡献度

则各联邦节点应得收益B_i为：

通过上述步骤，综合考虑了各联邦节点所有指标之间贡献度的关联度，能够比较公平的计算出各界定啊的贡献度，进行合理的利益分配。

本发明另一方面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存储有计算机程序，所述计算机程序被处理器执行时实现上述基于区块链的分布式隐私计算方法的步骤。

作为本发明另一方面的延伸还提供一种计算机终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于区块链的分布式隐私计算方法的步骤。

所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在终端设备中的执行过程。

所述计算机终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。可包括但不仅限于，处理器、存储器。可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备、总线等。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。

所述存储器可以是内部存储单元，例如硬盘或内存。所述存储器也可以是外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述仅为本发明的实施例，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它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于区块链的分布式隐私计算方法，其特征在于，包括如下步骤：

步骤一、通过计算请求客户端发布计算任务和初始模型，再通过资源调度模块根据计算任务对加密密钥进行秘密分解；

步骤二、通过任务分发模块根据任务分解选择合适的计算节点进行任务分发，计算节点进行验证后返回任务认领确认消息给计算请求客户端；

步骤三、计算请求客户端接收到任务认领确认消息后，调用智能合约接口编写利益分配智能合约，并上传至区块链网络；

步骤四、各计算节点认领任务后下载训练模型进行联邦训练，并将计算结果返回给计算请求客户端；

步骤五、计算请求客户端调用安全验证模块对计算节点传回的结果进行验证，并对各方训练结果进行融合得到最终联邦模型；

步骤六、智能合约利用利益分配函数对各计算节点进行利益分配，并根据利益分配结果实时分发激励，同时将执行过程和各用户的最新资产状态上链存储，实现资产和激励存证。

2.根据权利要求1所述的基于区块链的分布式隐私计算方法，其特征在于，在所述步骤一中还包括：

计算请求客户端将所需训练的初始模型存储在本地服务器，并为该模型下载接口增加一个接口调用参数；

计算请求客户端生成一个临时密钥对该参数和模型存储地址进行加密，并将加密后的数据上传到区块链；

计算请求客户端调用资源调度模块执行秘密分发算法，将临时密钥按照需求的计算节点数量随机拆分为n个子密钥份额，并将恢复密钥门限阈值设置为K。

3.根据权利要求2所述的基于区块链的分布式隐私计算方法，其特征在于，在所述步骤二中还包括：

任务分发模块根据任务分解结果和计算请求客户端的需求，对每个计算任务的算力要求进行估算；

通过基于最佳路由和算力的计算节点选举方法在符合该模型训练数据集类型的节点中选择符合算力要求且网络分发路由路径最佳的节点进行本任务的协同计算节点，并发送加密数据包给协同计算节点；

计算节点对加密数据包进行解密并进行数字签名认证，验证通过返回任务认领确认消息给计算请求客户端。

4.根据权利要求3所述的基于区块链的分布式隐私计算方法，其特征在于，在所述步骤三中还包括：

计算请求客户端编写此次任务的利益分配智能合约，并将该智能合约发布至区块链网络中；

计算节点接收到智能合约后检查智能合约中的计算节点列表中是否包含本节点，确认是否同意智能合约内容，并在智能合约中签署数字签名；

当智能合约中约定计算节点都对合约进行签名确认后，生成合约调用地址开始生效，并根据合约规则对各计算节点进行工作激励。

5.根据权利要求3所述的基于区块链的分布式隐私计算方法，其特征在于，在所述步骤四中还包括：

计算节点收到计算任务后根据计算节点列表协同其它计算节点共同恢复密钥；

计算节点利用该密钥对参数进行解密，利用该参数下载模型并输入本地数据集进行联邦训练，并将训练出的中间结果回传计算请求客户端。

6.根据权利要求1所述的基于区块链的分布式隐私计算方法，其特征在于，在所述步骤五中还包括：

计算请求客户端接收回传的中间结果进行解密验证；

计算请求客户端将融合所有计算节点的中间结果得到此次任务的最终联邦模型。

7.根据权利要求1所述的基于区块链的分布式隐私计算方法，其特征在于，在所述步骤六中还包括：

智能合约根据利益分配函数计算各方应得的收益并自动分配，将分配结果上链存储，保证结果的公正性和可溯源。

8.根据权利要求7所述的基于区块链的分布式隐私计算方法，其特征在于，所述利益分配函数计算包括：

步骤61、确定参考指标序列，选取各指标的平均值构成参考序列，记作：

其中

表示第j个指标在n个计算方中的平均评估值，X_ij表示计算方i的第j个指标的评估值；

步骤62、逐个计算每个被评价节点指标序列与参考序列对应元素的绝对差值，记作：

步骤63、确定

与

步骤64、计算关联度系数，计算每个协同计算节点的指标序列与参考序列对应元素的关联系数，记作：

ζ_ij即计算方i的第j个指标与参考指标

的关联度；其中ρ为分辨系数，取值范围为0＜ρ＜1；

步骤65：计算各节点贡献关联度，记作：

(i＝1,2,…,n,n为计算节点总数)；

步骤66：计算出各联邦节点的贡献度

记作：

则各联邦节点应得收益B_i为：

9.一种应用如权利要求1-8任一所述的基于区块链的分布式隐私计算方法的装置，其特征在于，该装置包括：区块链基础设施层、分布式并行计算层和界面展示层；

所述区块基础设施层用于存储信息、合约和工作证明，并激励拥有算力的用户提供服务，所述区块链基础设施层包括分布式账本模块、加密算法模块、共识机制模块以及智能合约模块；

所述分布式并行计算层用于资源调度、任务分发及信用验证；所述分布式并行计算层包括资源调度模块、任务分发模块、信用系统模块、结果验证模块和容错处理模块；

所述界面展示层用于提供可视化的页面展示和面向用户的便捷操作体验，所述界面展示层包括发布项目展示模块、计算资源贡献度展示模块、历史任务展示模块以及用户管理界面。

10.根据权利要求9所述的基于区块链的分布式隐私计算装置，其特征在于，所述分布式并行计算层还包括统一API接口。

Images