CN115296927B - 一种基于区块链的联邦学习可信融合激励方法及系统 - Google Patents

一种基于区块链的联邦学习可信融合激励方法及系统 Download PDF

Info

Publication number
CN115296927B
CN115296927B CN202211185889.6A CN202211185889A CN115296927B CN 115296927 B CN115296927 B CN 115296927B CN 202211185889 A CN202211185889 A CN 202211185889A CN 115296927 B CN115296927 B CN 115296927B
Authority
CN
China
Prior art keywords
participating
credit
degree
node
nodes
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
CN202211185889.6A
Other languages
English (en)
Other versions
CN115296927A (zh
Inventor
杨扬
张镇
王亚新
钱恒
刘伟
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.)
Shandong Computer Science Center National Super Computing Center in Jinan
Original Assignee
Shandong Computer Science Center National Super Computing Center in Jinan
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 Shandong Computer Science Center National Super Computing Center in Jinan filed Critical Shandong Computer Science Center National Super Computing Center in Jinan
Priority to CN202211185889.6A priority Critical patent/CN115296927B/zh
Publication of CN115296927A publication Critical patent/CN115296927A/zh
Application granted granted Critical
Publication of CN115296927B publication Critical patent/CN115296927B/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
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2471—Distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • 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
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于区块链的联邦学习可信融合激励方法及系统，涉及互联网技术领域，该方法包括：在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较节点等级临界值与信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点信用度以及相关属性信息，构建多属性融合数据的实体模型，将实体模型存储在区块链上。这样，可以解决联邦学习过程中参与节点消极搭便车、模型投毒攻击等问题，并且支持参与节点的实体级、属性级可信查询，为参与节点行为的量化评估提供依据。

Description

一种基于区块链的联邦学习可信融合激励方法及系统
技术领域
本发明属于互联网技术领域，尤其涉及一种基于区块链的联邦学习可信融合激励方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成已经成为本领域一般技术人员所公知的现有技术。
互联网数据的处理过程通常包括以下方式，其中一方收集数据并将其传输到另一方，另一方负责整理和融合数据。最后，第三方将获取集成数据并构建模型，以供其他各方使用。随着对数据安全和用户隐私的意识日益增强，如何在加强数据隐私和安全性的前提下分析数据成为业内广泛关注的问题。
联邦学习是一种机器学习环境，在这种环境下，多个参与节点在中央服务器的协调下协同训练一个模型，同时保持训练数据的分散性。多个参与节点以模型参数作为信息载体，可以在不交换数据的情况下，共同训练模型，既将分散在各参与节点的数据孤岛进行链接，又保证了参与节点的数据隐私安全，可以带动跨领域企业级大数据合作，催生人工智能领域共享建模的新生态。
但是在实际应用中，联邦学习中各个参与节点目的不一，数据质量参差不齐，在缺乏一定激励方法的情况下，给恶意节点提供了破坏攻击的可能性，如参与节点消极搭便车、模型投毒攻击等恶意行为，这些恶意行为可能会影响模型的训练时间或致使模型无法收敛。在现有的技术方案中，更侧重于解决联邦学习中各参与节点的资源分配不均问题，缺乏对参与节点行为的量化评估，因而在实际应用中效果不佳。
发明内容
为了解决上述问题，本发明提供一种基于区块链的联邦学习可信融合激励方法及系统，通过在迭代学习过程中动态更新参与节点的信用度，以解决联邦学习模型训练中参与节点消极搭便车、模型投毒攻击等问题，实现多方参与节点高效可信的进行模型训练，并构建多属性融合数据的实体模型，以便于对参与节点进行实体级、属性级可信查询，从而实现对参与节点行为的量化评估。
为了实现上述目的，本发明主要包括以下几个方面：
第一方面，本发明实施例提供一种基于区块链的联邦学习可信融合激励方法，包括：
在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；
针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上。
在一种可能的实施方式中，根据参与节点本地梯度对联邦学习全局梯度的贡献度和本地梯度的有效信息度，确定参与节点的基础信用度；其中，所述贡献度用于衡量本地梯度与联邦学习全局梯度的全局一致性，所述有效信息度用于衡量目标参与节点与联邦学习中除所述目标参与节点之外的其他参与节点所提供的梯度差异。
在一种可能的实施方式中，所述贡献度为参与节点本地更新梯度和前一轮联邦学习全局更新梯度的符号一致的数量，与联邦学习聚合的模型总参数量的比值。
在一种可能的实施方式中，通过以下方式确定所述有效信息度：
Figure DEST_PATH_IMAGE001
；
其中，
Figure 697867DEST_PATH_IMAGE002
为参与节点i在第t轮迭代中的有效信息度，M为联邦学习总参数量，n表示联邦学习中参与节点总数，
Figure DEST_PATH_IMAGE003
为参与节点i与参与节点j在第t轮的梯度更新中符号相异的参数个数。
在一种可能的实施方式中，按照以下公式更新参与节点在当前轮迭代学习的信用度：
Figure 222389DEST_PATH_IMAGE004
；
其中，m it 为参与节点i在第t轮迭代中的信用度，
Figure DEST_PATH_IMAGE005
为信用度变化值，
Figure 632511DEST_PATH_IMAGE006
为基础信用度，t为迭代次数。
在一种可能的实施方式中，所述相关属性信息包括贡献度、有效信息度、基础信用度和参与节点之间的贡献比值关系。
在一种可能的实施方式中，在将实体模型存储在区块链上之后，还包括：
查询所述区块链上的实体模型中参与节点在每一轮迭代学习中的贡献度，计算各参与节点在联邦学习全过程中的综合贡献度；根据所述综合贡献度向参与节点发送相应的激励信息。
在一种可能的实施方式中，获取用户身份，针对不同的用户身份，确定所述区块链上的实体模型的可信查询权限。
第二方面，本发明实施例提供一种基于区块链的联邦学习可信融合激励系统，包括：
获取模块，用于在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；
存储模块，用于针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上。
在一种可能的实施方式中，还包括：
激励模块，用于查询所述区块链上的实体模型中参与节点在每一轮迭代学习中的贡献度，计算各参与节点在联邦学习全过程中的综合贡献度；根据所述综合贡献度向参与节点发送相应的激励信息。
以上一个或多个技术方案存在以下有益效果：
（1）本发明针对联邦学习模型融合场景，通过在迭代学习过程中动态更新参与节点的信用度，以解决联邦学习模型训练中参与节点消极搭便车、模型投毒攻击等问题，实现了鼓励参与节点诚实积极参与联邦学习，有效降低了参与节点恶意行为的发生。
（2）本发明提出了多属性融合数据的实体模型，实现了实体级和属性级可信查询，能够了解参与节点信用度融合数据的过程。
（3）本发明可高效查询每个参与节点在指定周期内各自的贡献度，计算联邦学习全过程中每个参与节点对模型的综合贡献度，为参与节点行为的量化评估提供依据。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一所提供的基于区块链的联邦学习可信融合激励方法的流程示意图；
图2是本发明实施例一所提供的实体模型的结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
请参阅图1，本实施例提供一种基于区块链的联邦学习可信融合激励方法，具体包括以下步骤：
S101：在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；
S102：针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上。
在具体实施中，在联邦学习过程中，多个参与节点在中央服务器的协调下协同训练一个模型。本申请在每一轮迭代学习中，根据参与节点的基础信用度和前一轮的信用度更新当前轮迭代学习的信用度，并将当前轮迭代学习的信用度与预设的节点等级临界值进行比较，确定参与节点的等级。这里，节点等级临界值可以为多个，本实施例设置两个值a和b作为节点等级临界值，（0＜b＜a≤1），这样，信用度落入不同的区间范围内，分别对应不同的参与节点等级，具体为：
Figure DEST_PATH_IMAGE007
；
对预设等级的参与节点进行隔离并记录到区块链中。在具体应用中，对不可信参与节点的身份识别码进行上链存证（黑名单），不允许其参与接下来的联邦学习，这样，可以解决联邦学习模型训练中参与节点消极搭便车、模型投毒攻击等问题，实现鼓励参与节点诚实积极参与联邦学习。并且，根据参与节点的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上，以支持参与节点的实体级、属性级可信查询，为参与节点行为的量化评估提供依据。
作为一可选实施方式，根据参与节点本地梯度对联邦学习全局梯度的贡献度和本地梯度的有效信息度，确定参与节点的基础信用度；其中，所述贡献度用于衡量本地梯度与联邦学习全局梯度的全局一致性，所述有效信息度用于衡量目标参与节点与联邦学习中除所述目标参与节点之外的其他参与节点所提供的梯度差异。可选的，所述贡献度为参与节点本地更新梯度和前一轮联邦学习全局更新梯度的符号一致的数量，与联邦学习聚合的模型总参数量的比值。具体地，参与节点i在第t轮迭代的贡献度记为
Figure 900681DEST_PATH_IMAGE008
，定义
Figure DEST_PATH_IMAGE009
为t-1轮迭代的全局更新梯度，
Figure 486383DEST_PATH_IMAGE010
为参与节点i在第t轮迭代的本地更新梯度，计算方式为：参与节点本地更新和前一轮迭代全局更新对应梯度的符号相同比例，其公式如下：
Figure DEST_PATH_IMAGE011
；
式中，N为联邦学习聚合的模型总参数量(总参数=[x1,x2,x3…xn])，其中，x表示参与节点本地训练的参数，[x1，…，xn]表示聚合后的参数是n个，
Figure 569090DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
为统计x，y中具有相同符号（正/负）的参数个数，
Figure 76295DEST_PATH_IMAGE014
。
有效信息度衡量了在一轮梯度更新中，参与节点更新梯度包含的信息量，当一个参与节点与其他参与节点提供的梯度差异较小，则该参与节点提供的梯度更新的信息量越小，其信用度也越低。其计算方式为：不同参与节点本地更新梯度符号差异比例，其计算过程如下：
Figure DEST_PATH_IMAGE015
；
其中，
Figure 7211DEST_PATH_IMAGE002
为参与节点i在第t轮迭代的有效信息度，M为联邦学习总参数量，n表示联邦学习中参与节点总数，
Figure 385102DEST_PATH_IMAGE016
为参与节点i与参与节点j在第t轮的梯度更新中符号相异的参数个数。
基础信用度由参与节点对联邦学习全局梯度的贡献度和本地梯度的有效信息度来综合度量，一个参与节点在进行一轮梯度上传时，包含的信息量越多且该部分信息对全局梯度更新贡献越高，那么参与节点的信用度越高，参与节点i在第t轮迭代的基础信用度记为，其计算方式如下：
Figure DEST_PATH_IMAGE017
；
其中，
Figure 110482DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
分别表示
Figure 370562DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE021
的权重，
Figure 777272DEST_PATH_IMAGE020
和
Figure 340496DEST_PATH_IMAGE021
分别表示节点i在第t轮迭代的贡献度和有效信息度，
Figure 908881DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
。
至此，完成参与节点基础信用度计算，实现了对参与节点信用度的初步评估。
作为一可选实施方式，按照以下公式更新参与节点在当前轮迭代学习的信用度：
Figure 921836DEST_PATH_IMAGE004
；
其中，m it 为节点i在第t轮迭代中的信用度，
Figure 397817DEST_PATH_IMAGE024
为信用度变化值，
Figure 219143DEST_PATH_IMAGE006
为基础信用度，t为迭代次数。
每轮迭代学习结束后，根据参与节点在迭代中的行为表现是积极、消极还是恶意，再结合本轮的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度。其中，行为表现判断依据：参与节点在规定时间内是否上传参数/是否自主中断通信。
至此得到各个参与节点的等级。动态更新参与节点信用度，是为了确保选取参与联邦学习的每个节点更为可信。区块链分布式账本数据记录隔离，结合参与节点身份识别码实现了链上存证。链上数据具有难以篡改性，对身份记录有强有力的管控。
作为一可选实施方式，如图2所示，构建多属性融合数据的实体模型，并将实体模型上链，所述相关属性信息包括贡献度、有效信息度、基础信用度和参与节点之间的贡献比值关系，具体步骤如下：
（1）建立参与节点i在第t轮迭代中与其他参与节点之间的贡献比值关系r ti ，r ti =[a i1 ,a i2 ,…,a i(i-1),a i(i+1),…a il ]，这里，l表示共有l个参与节点，a il 表示参与节点i与参与节点l之间的贡献比值；
这里，贡献比值关系r ti 为参与节点i与任意其他参与节点在联邦学习第t轮迭代中的贡献占比，用于区分参与节点的表现优劣。
（2）根据贡献度，有效信息度，基础信用度和参与节点之间的贡献比值关系，构建该参与节点的实体模型m，实体模型m={c 1 ,c 2 ,c 3 ,c 4 ,r ti } ，这里，c 1 为贡献度，c 2 为有效信息度，c 3 为基础信用度，c 4 为信用度，r ti 为参与节点之间的贡献比值关系。
（3）数据上传，将多属性融合数据的实体模型上传至区块链。
作为一可选实施方式，在将实体模型存储在区块链上之后，还包括：
根据所述区块链上的实体模型查询参与节点在每一轮迭代学习中的贡献度，计算各参与节点在联邦学习全过程中的综合贡献度；根据所述综合贡献度向参与节点发送相应的激励信息。
在具体实施中，在最后一轮联邦学习结束后，查询区块链分布式账本中各参与节点在联邦学习全过程中的贡献度，依据综合贡献度模型计算各参与节点的综合贡献度。
可选的，获取用户身份，针对不同的用户身份，确定所述区块链上的实体模型的可信查询权限，以加强数据隐私和安全性。
（1）若为普通用户，输入参与节点的身份识别码，即可查询该参与节点的所有数据信息（实体级可信查询）；输入参与节点身份识别码和属性名称即可查询其属性数据信息（属性级可信查询）。
（2）若为管理员，输入参与节点身份识别码即可查询和管理该参与节点的所有数据信息。
实施例二
本发明实施例还提供一种基于区块链的联邦学习可信融合激励系统，包括：
获取模块，用于在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；
存储模块，用于针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上。
作为一可选实施方式，还包括：
激励模块，用于查询所述区块链上的实体模型中参与节点在每一轮迭代学习中的贡献度，计算各参与节点在联邦学习全过程中的综合贡献度；根据所述综合贡献度向参与节点发送相应的激励信息。
本实施例提供的基于区块链的联邦学习可信融合激励系统用于实现前述的基于区块链的联邦学习可信融合激励方法，因此基于区块链的联邦学习可信融合激励系统中的具体实施方式可见前文中的基于区块链的联邦学习可信融合激励方法的实施例部分，在此不再进行赘述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (9)

1.一种基于区块链的联邦学习可信融合激励方法，其特征在于，包括：
在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；
针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上；
其中，所述相关属性信息包括贡献度、有效信息度、基础信用度和参与节点之间的贡献比值关系；实体模型m={c 1 ,c 2 ,c 3 ,c 4 ,r ti }，这里，c 1 为贡献度，c 2 为有效信息度，c 3 为基础信用度，c 4 为信用度，r ti 为参与节点之间的贡献比值关系；所述贡献度用于衡量本地梯度与联邦学习全局梯度的全局一致性，所述有效信息度用于衡量目标参与节点与联邦学习中除所述目标参与节点之外的其他参与节点所提供的梯度差异，贡献比值关系为参与节点i与联邦学习迭代中除参与节点i之外的任意其他参与节点的贡献占比。
2.如权利要求1所述的基于区块链的联邦学习可信融合激励方法，其特征在于，根据参与节点本地梯度对联邦学习全局梯度的贡献度和本地梯度的有效信息度，确定参与节点的基础信用度。
3.如权利要求2所述的基于区块链的联邦学习可信融合激励方法，其特征在于，所述贡献度为参与节点本地更新梯度和前一轮联邦学习全局更新梯度的符号一致的数量，与联邦学习聚合的模型总参数量的比值。
4.如权利要求2所述的基于区块链的联邦学习可信融合激励方法，其特征在于，通过以下方式确定所述有效信息度：
Figure 273112DEST_PATH_IMAGE001
；
其中，
Figure 387524DEST_PATH_IMAGE002
为参与节点i在第t轮迭代中的有效信息度，M为联邦学习总参数量，n表示联邦 学习中参与节点总数，
Figure 259665DEST_PATH_IMAGE003
为参与节点i与参与节点j在第t轮的梯度更新中符号相异的参数 个数。
5.如权利要求1所述的基于区块链的联邦学习可信融合激励方法，其特征在于，按照以下公式更新参与节点在当前轮迭代学习的信用度：
Figure 253029DEST_PATH_IMAGE004
；
其中，m it 为参与节点i在第t轮迭代中的信用度，
Figure 194309DEST_PATH_IMAGE005
为信用度变化值，
Figure 931321DEST_PATH_IMAGE006
为基础信用度，t为 迭代次数。
6.如权利要求1所述的基于区块链的联邦学习可信融合激励方法，其特征在于，在将实体模型存储在区块链上之后，还包括：
查询所述区块链上的实体模型中参与节点在每一轮迭代学习中的贡献度，计算各参与节点在联邦学习全过程中的综合贡献度；根据所述综合贡献度向参与节点发送相应的激励信息。
7.如权利要求6所述的基于区块链的联邦学习可信融合激励方法，其特征在于，获取用户身份，针对不同的用户身份，确定所述区块链上的实体模型的可信查询权限。
8.一种基于区块链的联邦学习可信融合激励系统，其特征在于，包括：
获取模块，用于在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；
存储模块，用于针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上；
其中，所述相关属性信息包括贡献度、有效信息度、基础信用度和参与节点之间的贡献比值关系；实体模型m={c 1 ,c 2 ,c 3 ,c 4 ,r ti }，这里，c 1 为贡献度，c 2 为有效信息度，c 3 为基础信用度，c 4 为信用度，r ti 为参与节点之间的贡献比值关系；所述贡献度用于衡量本地梯度与联邦学习全局梯度的全局一致性，所述有效信息度用于衡量目标参与节点与联邦学习中除所述目标参与节点之外的其他参与节点所提供的梯度差异；贡献比值关系为参与节点i与联邦学习迭代中除参与节点i之外的任意其他参与节点的贡献占比。
9.如权利要求8所述的基于区块链的联邦学习可信融合激励系统，其特征在于，还包括：
激励模块，用于查询所述区块链上的实体模型中参与节点在每一轮迭代学习中的贡献度，计算各参与节点在联邦学习全过程中的综合贡献度；根据所述综合贡献度向参与节点发送相应的激励信息。
CN202211185889.6A 2022-09-28 2022-09-28 一种基于区块链的联邦学习可信融合激励方法及系统 Active CN115296927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211185889.6A CN115296927B (zh) 2022-09-28 2022-09-28 一种基于区块链的联邦学习可信融合激励方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211185889.6A CN115296927B (zh) 2022-09-28 2022-09-28 一种基于区块链的联邦学习可信融合激励方法及系统

Publications (2)

Publication Number Publication Date
CN115296927A CN115296927A (zh) 2022-11-04
CN115296927B true CN115296927B (zh) 2023-01-06

Family

ID=83834432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211185889.6A Active CN115296927B (zh) 2022-09-28 2022-09-28 一种基于区块链的联邦学习可信融合激励方法及系统

Country Status (1)

Country Link
CN (1) CN115296927B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304876B (zh) * 2023-03-27 2024-01-23 烟台大学 一种基于区块链的工业互联网平台运行方法、系统和设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113467927A (zh) * 2021-05-20 2021-10-01 杭州趣链科技有限公司 一种基于区块链的参与方可信任的联邦学习方法和装置
CN114154649A (zh) * 2021-12-06 2022-03-08 浙江师范大学 基于区块链和信誉机制的高质量联邦学习系统及学习方法
CN114327889A (zh) * 2021-12-27 2022-04-12 吉林大学 一种面向分层联邦边缘学习的模型训练节点选择方法
CN114626934A (zh) * 2022-02-08 2022-06-14 天津大学 基于区块链的多层级风控系统及管控方法
CN115099417A (zh) * 2022-06-28 2022-09-23 贵州大学 一种基于斯塔克尔伯格博弈的多因子联邦学习激励机制

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685501B (zh) * 2018-12-04 2023-04-07 暨南大学 基于区块链激励机制下可审计的隐私保护深度学习平台建设方法
CN112348204B (zh) * 2020-11-05 2022-09-16 大连理工大学 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
CN112381428B (zh) * 2020-11-19 2023-09-19 平安科技（深圳）有限公司 基于强化学习的业务分配方法、装置、设备及存储介质
CN112784994B (zh) * 2020-12-31 2023-03-03 浙江大学 基于区块链的联邦学习数据参与方贡献值计算和激励方法
US20220255764A1 (en) * 2021-02-06 2022-08-11 SoterOne, Inc. Federated learning platform and machine learning framework
CN114580658A (zh) * 2021-12-28 2022-06-03 天翼云科技有限公司 基于区块链的联邦学习激励方法、装置、设备和介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113467927A (zh) * 2021-05-20 2021-10-01 杭州趣链科技有限公司 一种基于区块链的参与方可信任的联邦学习方法和装置
CN114154649A (zh) * 2021-12-06 2022-03-08 浙江师范大学 基于区块链和信誉机制的高质量联邦学习系统及学习方法
CN114327889A (zh) * 2021-12-27 2022-04-12 吉林大学 一种面向分层联邦边缘学习的模型训练节点选择方法
CN114626934A (zh) * 2022-02-08 2022-06-14 天津大学 基于区块链的多层级风控系统及管控方法
CN115099417A (zh) * 2022-06-28 2022-09-23 贵州大学 一种基于斯塔克尔伯格博弈的多因子联邦学习激励机制

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
The Blockchain-Based Edge Computing Framework for Privacy-Preserving Federated Learning;Shili Hu;《2021 IEEE International Conference on Blockchain (Blockchain)》;20210124;全文 *
一种支持隐私与权益保护的数据联合利用系统方案;李铮;《信息与电脑(理论版)》;20200725(第14期);全文 *

Also Published As

Publication number Publication date
CN115296927A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
Wang et al. A blockchain based privacy-preserving incentive mechanism in crowdsensing applications
US20220058622A1 (en) Protocols in Blockchain Environments
CN111866869A (zh) 面向边缘计算的联邦学习室内定位隐私保护方法
Alghamdi et al. Secure service provisioning scheme for lightweight IoT devices with a fair payment system and an incentive mechanism based on blockchain
CN112416986B (zh) 基于分层个性化联邦学习的用户画像实现方法及系统
CN114297722B (zh) 一种基于区块链的隐私保护异步联邦共享方法及系统
CN115102763B (zh) 基于可信联邦学习多域DDoS攻击检测方法与装置
CN111931242A (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
Yin et al. A blockchain-based incremental update supported data storage system for intelligent vehicles
Ng et al. A double auction mechanism for resource allocation in coded vehicular edge computing
CN115296927B (zh) 一种基于区块链的联邦学习可信融合激励方法及系统
CN111047316A (zh) 一种反篡改的智能区块链系统及实现方法
Kuang et al. A privacy protection model of data publication based on game theory
Mühlbauer et al. Bring your own reputation: A feasible trust system for vehicular ad hoc networks
CN116383869A (zh) 基于pbft共识机制的农产品供应链可信追溯模型及实现方法
CN113283778A (zh) 一种基于安全性评价的分层汇聚联邦学习方法
Montazeri et al. Distributed mechanism design in continuous space for federated learning over vehicular networks
CN116471072A (zh) 一种基于邻居协作的联邦服务质量预测方法
CN113177851B (zh) 线上保险交易的存证方法、装置、电子设备及存储介质
Javan et al. Images encryption based on robust multi-mode finite time synchronization of fractional-order hyper-chaotic Rikitake systems
CN117094773A (zh) 基于区块链隐私计算的在线迁移学习方法及系统
Zhu et al. HCSC: A Hierarchical Certificate Service Chain Based on Reputation for VANETs
Wu et al. A trusted paradigm of data management for blockchain-enabled Internet of Vehicles in smart cities
CN116451806A (zh) 一种基于区块链的联邦学习激励分配方法及装置
Witt et al. Decentralized and Incentivized Federated Learning: A Blockchain-Enabled Framework Utilising Compressed Soft-Labels and Peer Consistency

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