CN114785810B - 一种适用于联邦学习的树状广播数据同步方法 - Google Patents

一种适用于联邦学习的树状广播数据同步方法 Download PDF

Info

Publication number
CN114785810B
CN114785810B CN202210342809.7A CN202210342809A CN114785810B CN 114785810 B CN114785810 B CN 114785810B CN 202210342809 A CN202210342809 A CN 202210342809A CN 114785810 B CN114785810 B CN 114785810B
Authority
CN
China
Prior art keywords
hash value
client
sub
node
central server
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.)
Active
Application number
CN202210342809.7A
Other languages
English (en)
Other versions
CN114785810A (zh
Inventor
文斌
刘少杰
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.)
Hainan Normal University
Original Assignee
Hainan Normal University
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 Hainan Normal University filed Critical Hainan Normal University
Priority to CN202210342809.7A priority Critical patent/CN114785810B/zh
Publication of CN114785810A publication Critical patent/CN114785810A/zh
Application granted granted Critical
Publication of CN114785810B publication Critical patent/CN114785810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • 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
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC
    • 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
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Power Engineering (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种适用于联邦学习的树状广播数据同步方法，包括如下步骤：S1：中央服务端选择若干参与训练的客户端，所述中央服务端将所有的所述客户端排列成完全二叉树；S2：所述中央服务端将第一全局模型文件拆分成若干种子文件，并计算所述第一全局模型文件的第一哈希值和不同的所述子文件对应的第二哈希值；S3：将所述公钥信息发送给所有的所述客户端；S4：所述中央服务端将所述服务端信息、所述第一哈希值和所述第二哈希值进行拼接，形成迭代配置文件，并计算所述迭代配置文件的第三哈希值，使用所述私钥信息对所述迭代配置文件签名；S5：所述中央服务端查询自身的所述服务端信息，并向所述子节点处的所述客户端逐次发送所有的所述子文件。

Description

一种适用于联邦学习的树状广播数据同步方法
技术领域
本发明属于人工智能技术领域，具体涉及一种适用于联邦学习的树状广播数据同步方法。
背景技术
在传统的联邦学习的模型同步过程中，中央服务端需要每轮向所有的参与方客户端发送模型文件，当参与方数量增多时，所表现出的缺点包括：1、模型文件同步时间骤增；2、中央服务端带宽压力大大提高；3、由于联邦学习过程往往需要大量的客户端参与，现有的模型同步方法不利于规模拓展。
发明内容
针对现有技术存在的不足，本发明提出了能够在多节点状态下使联邦学习数据同步时间短并且带宽占用稳定，提高联邦学习参与方规模的可拓展性和模型训练效率的一种适用于联邦学习的树状广播数据同步方法。
本发明提供一种适用于联邦学习的树状广播数据同步方法包括如下步骤：
S1：中央服务端选择若干参与训练的客户端，所述中央服务端生成服务端信息，所述中央服务端将所有的所述客户端排列成完全二叉树，所述中央服务端位于根节点，所述客户端分别位于子节点和叶子节点；
S2：所述中央服务端将第一全局模型文件拆分成若干种子文件，并计算所述第一全局模型文件的第一哈希值和不同的所述子文件对应的第二哈希值；
S3：所述中央服务端生成公钥信息和私钥信息，将所述公钥信息分发给所有的所述客户端，所述客户端保存所述公钥信息；
S4：所述中央服务端将所述服务端信息、所述第一哈希值和所述第二哈希值进行拼接，形成迭代配置文件，并计算所述迭代配置文件的第三哈希值，最后使用所述私钥信息对所述迭代配置文件进行签名，形成签名结果，将所述签名结果和所述迭代配置文件发送给所有的所述客户端，所述客户端对所述签名结果和所述迭代配置文件进行对比验证，并生成验证结果，验证通过后保存到本地；
S5：所述中央服务端查询自身的所述服务端信息，并向所述子节点处的所述客户端逐次发送所有的所述子文件，所述子节点处的所述客户端接收所述子文件后，所述子节点处的所述客户端计算所述子文件的第四哈希值，并将所述第四哈希值与所述第三哈希值进行对比验证，如果不同，则向中央服务端发送错误反馈，如果相同，则所述子节点处的所述客户端查询自身的所述服务端信息，并将所述子文件发送给下一个所述子节点处的所述客户端，同步接收自身的父节点处的所述客户端发送的下一个所述子文件，所述子节点处的所述客户端依次对所述第四哈希值与所述第三哈希值进行对比验证，如果不同，则向中央服务端发送错误反馈，如果相同，则将所述子文件发送给下一个所述子节点处的所述客户端，直至所述叶子节点处的所述客户端接收到所述子文件；
S6：所有的所述叶子节点处的所述客户端将接收的所述子文件进行组合得到当前迭代轮次的第二全局模型文件，并计算所述第二全局模型文件的第五哈希值，将所述第五哈希值与所述第一哈希值进行对比，如果相同，则当前迭代轮次所述第一全局模型文件同步结束，如果不同，则重复S5，直至所有的所述叶子节点处的所述客户端完成接收所有的所述子文件。
优选的，所述S1中，所述服务端信息包括树结构体信息和迭代轮次信息，所述树结构体信息由若干不同的节点信息组成，所述节点信息包括客户端数据接收地址、客户端唯一标识、客户端左子节点标识和客户端右子节点标识。
优选的，所述S2中，所述第一哈希值和所述第二哈希值的计算可采用任何哈希计算方法。
优选的，所述S3中，所述中央服务端仅在训练初始阶段以及有新的所述客户端加入时分发所述公钥信息。
优选的，所述S4中，可采用任何非对称加密算法对所述私钥信息进行签名。
优选的，所述S4中，所述迭代配置文件为Json格式。
优选的，所述S4中，所述验证结果为所述客户端使用所述公钥信息对所述签名结果进行解密，生成第五哈希值，将所述第五哈希值与所述第三哈希值对比，若相同，则验证通过，若不相同，则验证不通过。
优选的，所述S5中，所述中央服务端查询所述节点信息，所述子节点处的所述客户端查询自身的所述节点信息。
本发明的有益效果在于：
本发明一种适用于联邦学习的树状广播数据同步方法，通过完全二叉树构建、模型文件拆分、哈希值计算以及签名和子文件树形广播同步等多个过程，保证文件同步准确性和安全性的同时极大的降低了联邦学习模型训练过程中文件同步时间较长的问题，并使得带宽占用更加稳定，提高联邦学习参与方规模的可拓展性和模型训练效率。
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，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种适用于联邦学习的树状广播数据同步方法的流程图；
图2为本发明一种适用于联邦学习的树状广播数据同步方法的同步过程状态图；
具体实施方式
为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明。
参见图1至图2，本发明一种适用于联邦学习的树状广播数据同步方法，包括如下步骤：
S1：中央服务端选择若干参与训练的客户端，所述中央服务端生成服务端信息，所述中央服务端将所有的所述客户端排列成完全二叉树，所述中央服务端位于根节点，所述客户端分别位于子节点和叶子节点；
S2：所述中央服务端将第一全局模型文件拆分成若干种子文件，并计算所述第一全局模型文件的第一哈希值和不同的所述子文件对应的第二哈希值；
S3：所述中央服务端生成公钥信息和私钥信息，将所述公钥信息分发给所有的所述客户端，所述客户端保存所述公钥信息；
S4：所述中央服务端将所述服务端信息、所述第一哈希值和所述第二哈希值进行拼接，形成迭代配置文件，并计算所述迭代配置文件的第三哈希值，最后使用所述私钥信息对所述迭代配置文件进行签名，形成签名结果，将所述签名结果和所述迭代配置文件发送给所有的所述客户端，所述客户端对所述签名结果和所述迭代配置文件进行对比验证，并生成验证结果，验证通过后保存到本地；
S5：所述中央服务端查询自身的所述服务端信息，并向所述子节点处的所述客户端逐次发送所有的所述子文件，所述子节点处的所述客户端接收所述子文件后，所述子节点处的所述客户端计算所述子文件的第四哈希值，并将所述第四哈希值与所述第三哈希值进行对比验证，如果不同，则向中央服务端发送错误反馈，如果相同，则所述子节点处的所述客户端查询自身的所述服务端信息，并将所述子文件发送给下一个所述子节点处的所述客户端，同步接收自身的父节点处的所述客户端发送的下一个所述子文件，所述子节点处的所述客户端依次对所述第四哈希值与所述第三哈希值进行对比验证，如果不同，则向中央服务端发送错误反馈，如果相同，则将所述子文件发送给下一个所述子节点处的所述客户端，直至所述叶子节点处的所述客户端接收到所述子文件；
S6：所有的所述叶子节点处的所述客户端将接收的所述子文件进行组合得到当前迭代轮次的第二全局模型文件，并计算所述第二全局模型文件的第五哈希值，将所述第五哈希值与所述第一哈希值进行对比，如果相同，则当前迭代轮次所述第一全局模型文件同步结束，如果不同，则重复S5，直至所有的所述叶子节点处的所述客户端完成接收所有的所述子文件。
具体的，所述S1中，所述服务端信息包括树结构体信息和迭代轮次信息，所述树结构体信息由若干不同的节点信息组成，所述节点信息包括客户端数据接收地址、客户端唯一标识、客户端左子节点标识和客户端右子节点标识。
具体的，所述S2中，所述第一哈希值和所述第二哈希值的计算可采用任何哈希计算方法。
具体的，所述S3中，所述中央服务端仅在训练初始阶段以及有新的所述客户端加入时分发所述公钥信息。
具体的，所述S4中，可采用任何非对称加密算法对所述私钥信息进行签名。
具体的，所述S4中，所述迭代配置文件为Json格式。
具体的，所述S4中，所述验证结果为所述客户端使用所述公钥信息对所述签名结果进行解密，生成第五哈希值，将所述第五哈希值与所述第三哈希值对比，若相同，则验证通过，若不相同，则验证不通过。
具体的，所述S5中，所述中央服务端查询所述节点信息，所述子节点处的所述客户端查询自身的所述节点信息。
与传统联邦学习进行了对比，数据同步过程所消耗时间对比如下表所示。其中，实验环境为中央服务端1个，客户端6个，迭代轮次3次，所有中央服务端和客户端处于同一局域网，训练网络模型为VGG16，第一全局模型文件大小为129M，子文件分割规模为10M，表中数据为10次实验的均值。
Figure GDA0004181115610000071
通过实验结果可知，基于所提出的通信优化算法的联邦学习方法相比传统联邦学习方法，在迭代轮次上所耗费时间更少，优化效果约为30％。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种适用于联邦学习的树状广播数据同步方法，其特征在于，包括如下步骤：
S1：中央服务端选择若干参与训练的客户端，所述中央服务端生成服务端信息，所述中央服务端将所有的所述客户端排列成完全二叉树，所述中央服务端位于根节点，所述客户端分别位于子节点和叶子节点；
S2：所述中央服务端将第一全局模型文件拆分成若干种子文件，并计算所述第一全局模型文件的第一哈希值和不同的所述子文件对应的第二哈希值；
S3：所述中央服务端生成公钥信息和私钥信息，将所述公钥信息分发给所有的所述客户端，所述客户端保存所述公钥信息；
S4：所述中央服务端将所述服务端信息、所述第一哈希值和所述第二哈希值进行拼接，形成迭代配置文件，并计算所述迭代配置文件的第三哈希值，最后使用所述私钥信息对所述迭代配置文件进行签名，形成签名结果，将所述签名结果和所述迭代配置文件发送给所有的所述客户端，所述客户端对所述签名结果和所述迭代配置文件进行对比验证，并生成验证结果，验证通过后保存到本地；
S5：所述中央服务端查询自身的所述服务端信息，并向所述子节点处的所述客户端逐次发送所有的所述子文件，所述子节点处的所述客户端接收所述子文件后，所述子节点处的所述客户端计算所述子文件的第四哈希值，并将所述第四哈希值与所述第三哈希值进行对比验证，如果不同，则向中央服务端发送错误反馈，如果相同，则所述子节点处的所述客户端查询自身的所述服务端信息，并将所述子文件发送给下一个所述子节点处的所述客户端，同步接收自身的父节点处的所述客户端发送的下一个所述子文件，所述子节点处的所述客户端依次对所述第四哈希值与所述第三哈希值进行对比验证，如果不同，则向中央服务端发送错误反馈，如果相同，则将所述子文件发送给下一个所述子节点处的所述客户端，直至所述叶子节点处的所述客户端接收到所述子文件；
S6：所有的所述叶子节点处的所述客户端将接收的所述子文件进行组合得到当前迭代轮次的第二全局模型文件，并计算所述第二全局模型文件的第五哈希值，将所述第五哈希值与所述第一哈希值进行对比，如果相同，则当前迭代轮次所述第一全局模型文件同步结束，如果不同，则重复S5，直至所有的所述叶子节点处的所述客户端完成接收所有的所述子文件。
2.根据权利要求1所述的一种适用于联邦学习的树状广播数据同步方法，其特征在于，所述S1中，所述服务端信息包括树结构体信息和迭代轮次信息，所述树结构体信息由若干不同的节点信息组成，所述节点信息包括客户端数据接收地址、客户端唯一标识、客户端左子节点标识和客户端右子节点标识。
3.根据权利要求1所述的一种适用于联邦学习的树状广播数据同步方法，其特征在于，所述S2中，所述第一哈希值和所述第二哈希值的计算可采用任何哈希计算方法。
4.根据权利要求1所述的一种适用于联邦学习的树状广播数据同步方法，其特征在于，所述S3中，所述中央服务端仅在训练初始阶段以及有新的所述客户端加入时分发所述公钥信息。
5.根据权利要求1所述的一种适用于联邦学习的树状广播数据同步方法，其特征在于，所述S4中，可采用任何非对称加密算法对所述私钥信息进行签名。
6.根据权利要求1所述的一种适用于联邦学习的树状广播数据同步方法，其特征在于，所述S4中，所述迭代配置文件为Json格式。
7.根据权利要求1所述的一种适用于联邦学习的树状广播数据同步方法，其特征在于，所述S4中，所述验证结果为所述客户端使用所述公钥信息对所述签名结果进行解密，生成第五哈希值，将所述第五哈希值与所述第三哈希值对比，若相同，则验证通过，若不相同，则验证不通过。
8.根据权利要求2所述的一种适用于联邦学习的树状广播数据同步方法，其特征在于，所述S5中，所述中央服务端查询所述节点信息，所述子节点处的所述客户端查询自身的所述节点信息。
CN202210342809.7A 2022-03-31 2022-03-31 一种适用于联邦学习的树状广播数据同步方法 Active CN114785810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210342809.7A CN114785810B (zh) 2022-03-31 2022-03-31 一种适用于联邦学习的树状广播数据同步方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210342809.7A CN114785810B (zh) 2022-03-31 2022-03-31 一种适用于联邦学习的树状广播数据同步方法

Publications (2)

Publication Number Publication Date
CN114785810A CN114785810A (zh) 2022-07-22
CN114785810B true CN114785810B (zh) 2023-05-16

Family

ID=82426944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210342809.7A Active CN114785810B (zh) 2022-03-31 2022-03-31 一种适用于联邦学习的树状广播数据同步方法

Country Status (1)

Country Link
CN (1) CN114785810B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111614679A (zh) * 2020-05-22 2020-09-01 深圳前海微众银行股份有限公司 联邦学习资格恢复方法、设备及可读存储介质
CN112132292A (zh) * 2020-09-16 2020-12-25 建信金融科技有限责任公司 基于区块链的纵向联邦学习数据处理方法、装置及系统
CN112418520A (zh) * 2020-11-22 2021-02-26 同济大学 一种基于联邦学习的信用卡交易风险预测方法
CN112686393A (zh) * 2020-12-31 2021-04-20 华南理工大学 一种联邦学习系统
WO2021114821A1 (zh) * 2019-12-12 2021-06-17 支付宝(杭州)信息技术有限公司 基于联邦学习的孤立森林模型构建和预测方法和装置
WO2021114929A1 (zh) * 2019-12-09 2021-06-17 支付宝(杭州)信息技术有限公司 基于区块链的模型联合训练方法及装置
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
WO2021184836A1 (zh) * 2020-03-20 2021-09-23 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质
CN113807544A (zh) * 2020-12-31 2021-12-17 京东科技控股股份有限公司 一种联邦学习模型的训练方法、装置及电子设备
CN113822436A (zh) * 2021-03-12 2021-12-21 京东科技控股股份有限公司 联邦学习模型训练的通信方法、装置和电子设备
CN114091356A (zh) * 2022-01-18 2022-02-25 北京邮电大学 一种联邦学习方法及装置
EP3970074A1 (en) * 2019-05-16 2022-03-23 FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. Concepts for federated learning, client classification and training data similarity measurement

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3970074A1 (en) * 2019-05-16 2022-03-23 FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. Concepts for federated learning, client classification and training data similarity measurement
WO2021114929A1 (zh) * 2019-12-09 2021-06-17 支付宝(杭州)信息技术有限公司 基于区块链的模型联合训练方法及装置
WO2021114821A1 (zh) * 2019-12-12 2021-06-17 支付宝(杭州)信息技术有限公司 基于联邦学习的孤立森林模型构建和预测方法和装置
WO2021184836A1 (zh) * 2020-03-20 2021-09-23 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质
CN111614679A (zh) * 2020-05-22 2020-09-01 深圳前海微众银行股份有限公司 联邦学习资格恢复方法、设备及可读存储介质
CN112132292A (zh) * 2020-09-16 2020-12-25 建信金融科技有限责任公司 基于区块链的纵向联邦学习数据处理方法、装置及系统
CN112418520A (zh) * 2020-11-22 2021-02-26 同济大学 一种基于联邦学习的信用卡交易风险预测方法
CN112686393A (zh) * 2020-12-31 2021-04-20 华南理工大学 一种联邦学习系统
CN113807544A (zh) * 2020-12-31 2021-12-17 京东科技控股股份有限公司 一种联邦学习模型的训练方法、装置及电子设备
CN113822436A (zh) * 2021-03-12 2021-12-21 京东科技控股股份有限公司 联邦学习模型训练的通信方法、装置和电子设备
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
CN114091356A (zh) * 2022-01-18 2022-02-25 北京邮电大学 一种联邦学习方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Mohamed Gharibi ; Srini Bhagavan ; Praveen Rao.FederatedTree: A Secure Serverless Algorithm for Federated Learning to Reduce Data Leakage.《2021 IEEE International Conference on Big Data (Big Data)》.2022,4078-4083页. *
基于服务系统的运行时异常处理机制研究与应用;文斌; 罗自强;《计算机与数字工程》;第第45卷卷(第第2期期);235-241页 *
群体智能中的联邦学习算法综述;杨强;童咏昕;王晏晟;范力欣;王薇;《智能科学与技术学报》;第第4卷卷(第第1期期);29-44页 *

Also Published As

Publication number Publication date
CN114785810A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN110602148B (zh) 一种区块的状态树的生成和链上数据验证的方法及装置
CN107612973B (zh) 用于智能移动端的区块链结构、生成方法及交易验证方法
Tang et al. Gossipfl: A decentralized federated learning framework with sparsified and adaptive communication
US20210258375A1 (en) Sharding block chain generation method based on tree structure
CN111092896B (zh) 基于优化paxos的食品溯源分布式数据同步方法
CN113379066B (zh) 一种基于雾计算的联邦学习方法
EP3635608A1 (en) Computer-implemented system and method for managing large blocks over a blockchain network
CN108282339B (zh) 一种基于智能合约和自社交媒体的数字身份找回方法
CN112468255B (zh) 基于网络共识结合vrf算法的区块链节点时间同步方法
CN111798234B (zh) 一种轻量级区块链系统及构造方法
CN111935207A (zh) 基于改进型c4.5算法区块链系统共识方法
KR20200081533A (ko) 사물 인터넷 환경을 위한 동적 블라인드 투표기반의 블록체인 합의방법
CN109087105A (zh) 用于挖矿的哈希搜索方法、挖矿机及区块链系统
CN115334025B (zh) 去中心化的即时通信方法、装置、设备及存储介质
CN114978684B (zh) 基于改进凝聚型层次聚类的pbft共识方法
CN111083052B (zh) 一种基于有序平衡二叉树的分片方法及装置
CN114785810B (zh) 一种适用于联邦学习的树状广播数据同步方法
Zhang et al. Partialsync: Efficient synchronization of a partial namespace in ndn
CN110673966A (zh) 一种基于区块链链上-链下协同的数据交互方法
CN114449476A (zh) 一种用于车联网中安全通信的区块链节点共识方法
CN110535629B (zh) 一种异步网络条件下的出块共识方法
CN110018875B (zh) 一种基于idv的桌面同步实现方法
CN116614519A (zh) 基于优化共识算法的视频及相关信息轻量级可信上链方法
CN111327669A (zh) 一种去中心化区块链解决方法
CN110601857A (zh) 一种基于局部-全局区块链协同的数据交互方法

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