CN116361663B - 数字证据分类模型训练方法、分类方法、装置及相关设备 - Google Patents
数字证据分类模型训练方法、分类方法、装置及相关设备 Download PDFInfo
- Publication number
- CN116361663B CN116361663B CN202310637367.3A CN202310637367A CN116361663B CN 116361663 B CN116361663 B CN 116361663B CN 202310637367 A CN202310637367 A CN 202310637367A CN 116361663 B CN116361663 B CN 116361663B
- Authority
- CN
- China
- Prior art keywords
- model
- training
- classification
- aggregator
- digital evidence
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 192
- 238000013145 classification model Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012360 testing method Methods 0.000 claims abstract description 75
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 51
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数字证据分类模型训练方法、分类方法、装置及相关设备,所述方法包括:当分类系统接收到模型训练请求时,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集的内容标识符和训练模型的内容标识符,以使联邦学习节点基于测试集对训练模型进行训练,得到本地模型和内容标识符;聚合器对本地模型进行异常检测,并将通过检测的本地模型加权融合得到融合模型;当满足训练结束条件时,将融合模型作为数字证据分类模型,否则,聚合器对训练模型进行调参处理,并返回聚合器通过区块链向满足预设条件的联邦学习节点广播测试集的内容标识符和训练模型的内容标识符的步骤继续执行,采用本发明提高数字证据分类的准确率。
Description
技术领域
本发明涉及数据分类领域,尤其涉及一种数字证据分类模型训练方法、分类方法、装置及相关设备。
背景技术
随着数字信息化的快速发展,其中,司法诉讼中的证据逐渐趋向数字化,数字证据的存在形式也因具体诉讼案件的不同而呈现多样化,数字证据的使用频次与数量都日益增多。目前主要采用机器学习的方法对数字证据进行分类处理,得到该数据证据的分类结果。但现有的数字证据分类方法面临证据欺诈、取证过程被篡改,监管不透明等问题。也就是说,在对数据证据进行分类前,数字证据存在被恶意删除,修改的风险,导致对数字证据分类的准确率低的问题。
因此,现有数字证据分类的过程存在准确率低的问题。
发明内容
本发明实施例提供一种数字证据分类模型训练方法、分类方法、装置、计算机设备和存储介质,以提高数字证据分类的准确率,同时提高数字证据数据安全性与运维效率。
为了解决上述技术问题,本申请实施例提供一种数字证据分类模型训练方法,应用于分类系统上,所述分类系统包括联邦学习模块、区块链和星际文件系统,所述联邦学习模块包括聚合器和至少两个联邦学习节点,所述区块链用于存放内容标识符,所述星际文件系统用于存储数据,通过所述区块链上的内容标识符从所述星际文件系统上获取内容标识符对应的数据,所述方法包括:
当分类系统接收到模型训练请求时,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符,其中,所述训练模型为所述聚合器对应的模型;
所述联邦学习节点根据所述测试集对应的内容标识符,从所述星际文件系统获取测试集,根据所述训练模型对应的内容标识符,从所述星际文件系统获取训练模型;
所述联邦学习节点基于所述测试集和本地数据对所述训练模型进行训练,得到本地模型,并生成所述本地模型对应的内容标识符,其中,所述本地模型存储到所述星际文件系统,所述本地模型对应的内容标识符通过所述区块链发送给所述聚合器;
所述聚合器基于接收到的内容标识符获取本地模型,并对获取到的每个所述本地模型进行异常检测,得到检测结果;
所述聚合器将所述检测结果为正常的本地模型进行加权融合,得到融合模型;
当满足训练结束条件时,将所述融合模型作为数字证据分类模型,否则,所述聚合器对所述训练模型进行调参处理,并返回所述聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
为了解决上述技术问题,本申请实施例提供一种分类方法,包括:
获取待分类数字证据;
将所述待分类数字证据输入数字证据分类模型中进行分类,得到分类结果,其中,所述数字证据分类模型根据上述数字证据分类模型训练方法得到。
为了解决上述技术问题,本申请实施例还提供一种数字证据分类模型训练装置,应用于分类系统上,所述分类系统包括联邦学习模块、区块链和星际文件系统,所述联邦学习模块包括聚合器和至少两个联邦学习节点,所述区块链用于存放内容标识符,所述星际文件系统用于存储数据,通过所述区块链上的内容标识符从所述星际文件系统上获取内容标识符对应的数据,所述装置包括:
广播模块,用于当分类系统接收到模型训练请求时,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符,其中,所述训练模型为所述聚合器对应的模型;
数据获取模块,用于所述联邦学习节点根据所述测试集对应的内容标识符,从所述星际文件系统获取测试集,根据所述训练模型对应的内容标识符,从所述星际文件系统获取训练模型;
训练模块,用于所述联邦学习节点基于所述测试集和本地数据对所述训练模型进行训练,得到本地模型,并生成所述本地模型对应的内容标识符,其中,所述本地模型存储到所述星际文件系统,所述本地模型对应的内容标识符通过所述区块链发送给所述聚合器;
异常检测模块,用于所述聚合器基于接收到的内容标识符获取本地模型,并对获取到的每个所述本地模型进行异常检测,得到检测结果;
融合模型获取模块,用于所述聚合器将所述检测结果为正常的本地模型进行加权融合,得到融合模型;
数字证据分类模型获取模块,用于当满足训练结束条件时,将所述融合模型作为数字证据分类模型,否则,所述聚合器对所述训练模型进行调参处理,并返回所述聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
为了解决上述技术问题,本申请实施例还提供一种分类装置,包括:
数据获取模块,用于获取待分类数字证据;
分类模块,用于将所述待分类数字证据输入数字证据分类模型中进行分类,得到分类结果,其中,所述数字证据分类模型根据上述数字证据分类模型训练方法得到。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,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数字证据分类模型训练方法的步骤,或者,所述处理器执行所述计算机程序时实现上述分类方法的步骤。
为了解决上述技术问题,本申请实施例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数字证据分类模型训练方法的步骤,或者,所述计算机程序被处理器执行时实现上述分类方法的步骤。
本发明实施例提供的数字证据分类模型训练方法、分类方法、装置、计算机设备及存储介质,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符,联邦学习节点根据测试集对应的内容标识符,从星际文件系统获取测试集,根据训练模型对应的内容标识符,从星际文件系统获取训练模型。联邦学习节点基于测试集和本地数据对训练模型进行训练,得到本地模型,并生成本地模型对应的内容标识符。聚合器基于接收到的内容标识符获取本地模型,并对获取到的每个本地模型进行异常检测,得到检测结果。聚合器将检测结果为正常的本地模型进行加权融合,得到融合模型。当满足训练结束条件时,将融合模型作为数字证据分类模型,否则,聚合器对训练模型进行调参处理,并返回聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。通过上述步骤提高数字证据分类的准确率,同时提高数字证据数据安全性与运维效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是本申请的数字证据分类模型训练方法的一个实施例的流程图;
图3是本申请的分类方法的一个实施例的流程图;
图4是根据本申请的数字证据分类模型训练装置的一个实施例的结构示意图;
图5是根据本申请的分类装置的一个实施例的结构示意图;
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
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作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。
请参阅图1,如图1所示,分类系统包括联邦学习模块、区块链和星际文件系统,联邦学习模块包括聚合器和至少两个联邦学习节点,区块链用于存放内容标识符,星际文件系统用于存储数据,通过区块链上的内容标识符从星际文件系统上获取内容标识符对应的数据。
具体地,区块链包括聚合器区块和至少两个联邦区块,其中,聚合器区块用于存放训练模型对应的内容标识符,联邦区块与联邦学习节点为一对一关系,联邦区块用于存放联邦学习节点对应的本地模型的内容标识符。
区块链还包括智能合约,该智能合约包括学习任务的任务描述。
具体地,学习任务的任务描述包括但不限验证集的内容标识符、测试集的内容标识符、训练模型的描述、训练模型的训练参数。其中,内容标识符是指对存储在星际文件系统中的文件,该星际文件系统会生成唯一的内容标识符,用于指向访问文件的内容本身。
随着智能合约在区块链上的执行,该智能合约将等待数据所有者进行注册,以便数据所有者在其本地数据的基础上训练模型,需要说明的是,每个数据所有者注册后,形成一个联邦学习节点。每个参与的数据所有者提供给聚合器两个重要参数:公钥和区块链账户地址ID,其中,公钥是用于安全执行IPFS存储和P2P通信的非对称加密的公钥,区块链账户地址ID是用于在训练后根据贡献证明分发奖励的地址。应理解,验证集和测试集由数据所有者提供。这两个数据集决定了聚合器中的模型的最终准确性以及个别联邦学习节点的贡献。但恶意的数据所有者可能会故意发送一个不平衡的测试集(与验证集不相似),以减少对联邦学习节点的支付。为了解决这个问题,本方法让聚合器随机划分数据所有者的数据。为此,在数据市场会话开始时,数据所有者将其数据放入IPFS,相应的内容标识符存储在智能合约中。通过使用联邦学习节点生成的随机种子,即通过区块链上的随机数生成算法,将数据所有者的数据划分为测试集和验证集,使得该测试集和验证集的分布均衡。
星际文件系统(IPFS,Inter Planetary File System)是一种基于内容寻址、版本化、点对点的超媒体传输协议。该星际文化系统用于存储数据,该数据包括但不限于训练数据、训练模型和每个联邦学习节点对应的本地模型。需要说明的是,本申请实施例所提供的数字证据分类模型训练方法在分类系统执行,相应地,数字证据分类模型训练装置设置于分类系统中。
应该理解,图1中的联邦学习节点的数目仅仅是示意性的。根据实现需要,可以具有任意数目的联邦学习节点。
请参阅图2,图2示出本发明实施例提供的一种数字证据分类模型训练方法,以该方法应用在图1中的分类系统为例进行说明,详述如下:
S201、当分类系统接收到模型训练请求时,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符,其中,训练模型为聚合器对应的模型。
具体地,上述训练模型是指聚合器的初始化模型。
测试集对应的内容标识符和训练模型对应的内容标识符存储在智能合约中。
应理解,此部分的测试集为经过智能合约进行随机划分得到的测试集,该测试集和验证集分布均衡。测试集和验证集均为数字证据。
上述预设条件可根据实际情况进行设置。例如,预设条件为联邦学习节点对应奖励值超过预设奖励值、预设条件为联邦学习节点的样本数量超过预设样本数量、预设条件为联邦学习节点的计算资源超过预设计算资源。
优选地,本申请的预设条件为联邦学习节点的样本数量超过预设样本数量且计算资源超过预设计算资源。
应理解,通过预设条件,对联邦学习节点进行初步筛选,不符合智能合约中的预设条件的联邦学习节点则拒绝加入训练,从而提高了数字证据分类模型对数字证据分类的准确率。
S202、联邦学习节点根据测试集对应的内容标识符,从星际文件系统获取测试集,根据训练模型对应的内容标识符,从星际文件系统获取训练模型。
具体地,星际文件系统上存储着测试集和训练模型,通过测试集对应的内容标识符和训练模型对应的内容标识符,能在星际文件系统上获取到对应的数据。
通过区块链存储内容标识符,星际文件系统存储数据,使得分类系统可溯源、不易篡改,确保了数字证据的真实性、合法性,提高了数字证据的数据安全性。
S203、联邦学习节点基于测试集和本地数据对训练模型进行训练,得到本地模型,并生成本地模型对应的内容标识符,其中,本地模型存储到星际文件系统,本地模型对应的内容标识符通过区块链发送给聚合器。
具体地,针对每一个参与训练的联邦学习节点,该联邦学习节点根据智能合约,获取测试集和训练模型,基于测试集和本地数据对训练模型训练,得到本地模型,并基于智能合约,生成该本地模型对应的内容标识符。该联邦学习节点对本地模型进行加密后上传到星际文件系统上存储,该本地模型对应的内容标识符则记录在智能合约上。
进一步地,联邦学习节点可通过添加DP噪声(Differential privacy,拉普拉斯)或增加隐私保护预算来进一步保护模型的隐私。
需要说明的是,由于交互次数未知,隐私预算的值需要在迭代中不断调整。优选地,本申请采用的隐私保护预算为ε/2t,其中,t代表第t轮迭代更新。在获得奖励和隐私之间存在一个权衡,即,如果一个联邦学习节点增加了更多的噪声,那么该节点训练得到的模型的性能就会降低,从而可能会降低该联邦学习节点从训练中获得的奖励。
通过区块链存储内容标识符,星际文件系统存储数据,确保了数字证据的真实性、合法性,提高了数字证据的数据安全性。
S204、聚合器基于接收到的内容标识符获取本地模型,并对获取到的每个本地模型进行异常检测,得到检测结果。
具体地,由于联邦学习节点对本地模型进行加密后上传到星际文件系统存储,因此,只有具有每个联邦学习节点对应公钥的聚合器才能解密每个联邦学习节点对应的本地模型。
当星际文件系统接收到所有联邦学习节点的本地模型后,智能合约触发聚合器从星际文件系统上下载所有本地模型,并使用联邦学习节点的公钥和聚合器的私钥对下载后的本地模型进行解密。
上述检测结果包括正常和异常。
异常检测的方法包括但不限于迭代值异常检测、损失值异常检测,性能异常检测,其中,迭代值异常检测是指检测本地模型训练过程中的每个迭代轮次产生的迭代值是否存在异常。损失值异常检测是指检测本地模型训练得到模型的损失值是否异常,性能异常检测是指检测本地模型训练后的精度是否达标。
需要说明的是,当聚合器对联邦学习节点的本地模型进行异常检测时,聚合器会记录该联邦学习节点的区块链账户地址ID和该联邦学习节点在智能合约上的相关证明,该相关证明是指联邦学习节点的历史检测结果。可通过该相关证明和此次的检测结果,调整区块链账户地址ID对应的联邦学习节点的声誉。当联邦学习节点存在检测结果为异常时,则该联邦学习节点则会被认定为恶性节点。当联邦学习节点的检测结果均为正常时,则该联邦学习节点则为良性节点。
当被判定为恶性节点时,则该联邦学习节点对应的本地模型则会被移除,不参与后续融合步骤。
通过对联邦学习节点的本地模型进行异常检测,可以剔除存储异常的本地模型进行融合训练,从而提高融合得到模型的精确度。
S205、聚合器将检测结果为正常的本地模型进行加权融合,得到融合模型。
具体地,上述融合模型可用于分类,通过验证集可验证该融合模型的分类准确率。
S206、当满足训练结束条件时,将融合模型作为数字证据分类模型,否则,聚合器对训练模型进行调参处理,并返回聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
具体地,上述训练结束条件包括但不限于多个训练轮次得到的融合模型的精度稳定不变,聚合器性能饱和等。
当满足训练结束条件时,将融合模型作为数字证据分类模型,否则,聚合器对训练模型进行调参处理,并采用智能合约对异常检测和模型融合进行完整性验证,即,验证是否进行了异常检测和模型融合。若通过验证,则通知聚合器进行下一轮训练,训练模型进行下一轮迭代。在下一轮迭代中,每个联邦学习节点根据参数更新后的训练模型和超参数进行本地模型训练,直到满足训练结束条件。
需要说明的是,当不满足训练结束条件时,聚合器对训练模型进行了调参处理,更新了训练模型,聚合器将更新后的训练模型存储入星际文件系统上,并将更新后的训练模型对应的内容标识符、调参内容以及与联邦学习节点有关的内容上传到区块链,并创建新的区块。
在新一轮迭代中,聚合器广播最新区块后,区块链中的联邦学习节点对应的联邦区块必须验证区块交易,并将检查更新后的训练模型的正确性,从提高数字证据的数据安全性。
在本申请实施例中,通过上述步骤提高数字证据分类的准确率,同时提高数字证据数据安全性与运维效率。
在本实施例的一些可选的实现方式中,步骤S204包括S2041至S2044:
S2041、聚合器基于接收到的内容标识符获取所有本地模型。
S2042、针对每一个本地模型,确定本地模型在训练过程得到的所有迭代参数。
S2043、对所有迭代参数进行相似度计算,得到相似度结果。
S2044、当相似度结果满足预设条件,则确定本地模型的检测结果为正常,否则,确定本地模型的检测结果为异常。
对于上述步骤S2041,聚合器基于接收到的内容标识符从星际文件系统上获取所有本地模型。
对于步骤S2042,需要说明的是,联邦学习节点在本地模型的训练过程中也经过多轮迭代训练,每一轮迭代训练后会得到一个迭代参数。该步骤主要获取到得到该本地模型时训练过程得到的迭代参数。
应理解,该迭代参数可跟本地模型一起加密上传到星际文件系统上。
对于步骤S2043,上述相似度计算包括但不限于欧式距离计算、余弦相似度计算。
优选地,按照如下公式(1)计算得到相似度结果:
(1)
其中,Sim(wi(t+1),wi(t))是指计算wi(t+1)和wi(t)这两个迭代参数之间的相似度,wi(t+1)是指第t+1轮训练中得到的迭代参数,wi(t)是指第t轮训练中得到的迭代参数,t是指联邦学习节点i的迭代次数,整数T∈{1,2,3,…N},N为迭代总次数。wmax是指最大的迭代参数,wmin是指最小的迭代参数。
当Sim(wi(t+1),wi(t))小于预设异常阈值时,表明在当前迭代中遭受到了攻击,该联邦学习节点i的本地模型将被移除。
应理解,本地模型在训练过程中,若数据正常,则得到的迭代参数不会发生突变。若在迭代过程中受到攻击,则会造成迭代参数异常。
对于步骤S2044,当相似度结果为相似时,相似是指低于预设阈值,则确定本地模型的检测结果为正常。
在本实施例中,通过对联邦学习节点的本地模型进行异常检测,可以剔除存储异常的本地模型进行融合训练,从而提高融合得到模型的精确度。
在本实施例的一些可选的实现方式中,在步骤S206之后,数字证据分类模型训练方法还包括S207至S209:
S207、获取测试集,并基于测试集对数字证据分类模型进行评估,得到评估值。
S208、针对每个联邦学习节点,根据联邦学习节点的本地模型和所述评估值,确定联邦学习节点的贡献值。
S209、根据贡献值确定对联邦学习节点的奖励。
对于步骤S207,此处的测试集是指数据所有者上传的完整的测试数据,该测试集未经过区块链划分。
其具体是,获取测试集,将测试集输入数字证据分类模型进行分类,得到预测分类结果,基于该预测分类结果和测试集对应的正确分类结果,确定评估值。
对于步骤S208,聚合器评估联邦学习节点在每一轮培训中的贡献,在系统得到数字证据分类模型后,聚合器使用测试集对联邦学习节点的贡献进行评估,因为它使用最好的训练运行来计算每个节点的贡献。一旦良性训练器节点的贡献向量是确定的,聚合器将其提交给智能合约。
按照如下公式(2)确定联邦学习节点的局部贡献值:
Ci(t)=Pre(w (t))-Pre(w-i(t)) (2)
其中,Ci(t)表示第i个联邦学习节点在第t轮训练中的局部贡献值,w(t)是指第t轮训练中得到的融合模型,w-i(t)是指去除了第i个联邦学习节点的本地模型以外的其他所有本地模型对应的融合模型,Pre(w(t))和Pre(w-i(t))是指使用测试集测试该融合模型的精度函数,i为正整数,i的范围为(0,L),其中,L为参与训练的联邦学习节点的数量。
需要说明的是,当Ci(t)为正数时,第i个联邦学习节点对融合模型有贡献,当Ci(t)为负数时,说明该轮训练中去除第i个联邦学习节点的本地模型进行融合,得到的融合模型性能更佳。
针对第i个联邦学习节点,对t轮训练中的贡献值Ci(t)进行归一化处理,并计算整个训练运行的总和作为该联邦学习节点的总贡献值Ci。此处的总贡献值为联邦学习节点的贡献值。由于聚合器在整个训练过程中执行了每轮验证精度计算(用于超参数调优),它会将这些计算向智能合约发送额外的证明。
当贡献评估和精度计算得到验证,则根据每个联邦学习节点的贡献,进行奖励分配。此外,根据联邦学习节点的参与情况给予它们报酬。也就是说,即使一个联邦学习节点没有改进模型,但该联邦学习节点由于参与训练,也会得到奖励。
对于步骤S209,按照如下公式(3)确定联邦学习节点的奖励:
(3)
其中,Ri是指第i个联邦学习节点得到的奖励,i为正整数,i的范围为(0,L),其中,L为参与训练的联邦学习节点的数量。Rp为固定奖励,H为总奖励,,ACC(wr)是指当前轮次融合模型Wr的准确度,ACC(wr-1)是指上一轮次融合模型Wr-1的准确度,Rwr-1是指上一轮的总奖励,/>是指第i个联邦学习节点的贡献值,/>,C为正整数。
使用是因为贡献值为负数的联邦学习节点除了固定奖励外,不会得到其他奖励。
进一步地,在步骤S201之前,方法还包括:
获取所有联邦学习节点对应的奖励;
当联邦学习节点对应的奖励大于预设阈值时,则将联邦学习节点作为满足预设条件的联邦学习节点。
在本实施中,通过上述步骤对联邦学习节点进行奖励,可基于奖励,选取出合适的联邦学习节点进行训练,从而提高融合模型的精确度。
在本实施例的一些可选的实现方式中,步骤S206包括S2061至S2064:
S2061、聚合器从星际文件系统上获取验证集。
S2062、基于验证集,对融合模型进行评估,得到评估结果。
S2063、当评估结果满足预设条件时,将融合模型作为数字证据分类模型。
S2064、当评估结果未满足预设条件,聚合器对训练模型进行调参处理,并返回聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
对于步骤S2061,上述验证集与测试集分布均衡。
聚合器通过验证集的内容标识符从星际文件系统上获取验证集。
对于步骤S2062,上述评估是指通过验证集验证融合模型的准确率。
也就是说,将验证集输入融合模型中进行分类,得到预测分类结果,其中,该验证集包括正确分类结果,将得到的预测分类结果与正确分类结果进行对比,并根据对比结果确定对该融合模型的评估结果。
对于步骤S2063,上述预设条件可用于衡量评估结果的准确率。例如,预设条件为准确率达到95%,则通过。
当评估结果的为准确率96%,则该评估结果满足预设条件。
在本实施例中,通过上述步骤提高数字证据分类的准确率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
请参阅图3,图3示出本发明实施例提供的一种分类方法,以该方法应用在图2训练得到的数字证据分类模型为例进行说明,详述如下S301至S302:
S301、获取待分类数字证据。
S302、将待分类数字证据输入数字证据分类模型中进行分类,得到分类结果,其中,数字证据分类模型根据上述数字证据分类模型训练方法得到。
对于步骤S301,上述待分类数字证据是指需要进行分类的数字证据。该数字证据的形式包括但不限于文本,图像。
对于步骤S302,具体地,上述分类结果是指经过数字证据分类模型分类后得到的结果。
在本实施例中,通过上述数字证据分类模型训练方法训练得到的数字证据分类模型对待分类数字证据的分类,提高数字证据分类的准确率,同时提高数字证据数据安全性与运维效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4示出与上述实施例数字证据分类模型训练方法一一对应的数字证据分类模型训练装置的原理框图。如图4所示,该数字证据分类模型训练装置包括广播模块41、数据获取模块42、训练模块43、异常检测模块44、融合模型获取模块45和数字证据分类模型获取模块46。各功能模块详细说明如下:
广播模块41,用于当分类系统接收到模型训练请求时,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符,其中,训练模型为聚合器对应的模型。
数据获取模块42,用于联邦学习节点根据测试集对应的内容标识符,从星际文件系统获取测试集,根据训练模型对应的内容标识符,从星际文件系统获取训练模型。
训练模块43,用于联邦学习节点基于测试集和本地数据对训练模型进行训练,得到本地模型,并生成本地模型对应的内容标识符,其中,本地模型存储到星际文件系统,本地模型对应的内容标识符通过区块链发送给聚合器。
异常检测模块44,用于聚合器基于接收到的内容标识符获取本地模型,并对获取到的每个本地模型进行异常检测,得到检测结果。
融合模型获取模块45,用于聚合器将检测结果为正常的本地模型进行加权融合,得到融合模型。
数字证据分类模型获取模块46,用于当满足训练结束条件时,将融合模型作为数字证据分类模型,否则,聚合器对训练模型进行调参处理,并返回聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
在本实施例的一些可选的实现方式中,异常检测模块44包括:
本地模型获取单元,用于聚合器基于接收到的内容标识符获取所有本地模型。
迭代参数获取模块,用于针对每一个本地模型,确定本地模型在训练过程得到的所有迭代参数。
相似度计算单元,用于对所有迭代参数进行相似度计算,得到相似度结果。
检测结果确定单元,用于当相似度结果满足预设条件,则确定本地模型的检测结果为正常,否则,确定本地模型的检测结果为异常。
在本实施例的一些可选的实现方式中,在数字证据分类模型获取模块46之后,数字证据分类模型训练装置还包括:
评估模块,用于获取测试集,并基于测试集对数字证据分类模型进行评估,得到评估值。
贡献值确定模块,用于针对每个联邦学习节点,根据联邦学习节点的本地模型和评估值,确定联邦学习节点的贡献值。
奖励模块,用于根据贡献值确定对联邦学习节点的奖励。
在本实施例的一些可选的实现方式中,在广播模块41之前,数字证据分类模型训练装置还包括:
奖励获取模块,用于获取所有联邦学习节点对应的奖励。
联邦节点选取模块,用于当联邦学习节点对应的奖励大于预设阈值时,则将联邦学习节点作为满足预设条件的联邦学习节点。
在本实施例的一些可选的实现方式中,数字证据分类模型获取模块46包括:
验证集获取单元,用于聚合器从星际文件系统上获取验证集。
评估结果确定单元,用于基于验证集,对融合模型进行评估,得到评估结果。
数字证据分类模型确定单元,用于当评估结果满足预设条件时,将融合模型作为数字证据分类模型。
调参单元,用于当评估结果未满足预设条件,聚合器对训练模型进行调参处理,并返回聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
关于数字证据分类模型训练装置的具体限定可以参见上文中对于数字证据分类模型训练方法的限定,在此不再赘述。上述数字证据分类模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图5示出与上述实施例分类方法一一对应的分类装置的原理框图。如图5所示,该分类装置包括数据获取模块51和分类模块52。各功能模块详细说明如下:
数据获取模块51,用于获取待分类数字证据。
分类模块52,用于将待分类数字证据输入数字证据分类模型中进行分类,得到分类结果,其中,数字证据分类模型根据上述数字证据分类模型训练方法得到。
关于分类装置的具体限定可以参见上文中对于分类方法的限定,在此不再赘述。上述分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图6,图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件连接存储器61、处理器62、网络接口63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。当然,所述存储器41还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如电子文件的控制的程序代码等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据,例如运行电子文件的控制的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即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界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的数字证据分类模型训练方法的步骤,或者,以使所述至少一个处理器执行如上述的分类方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种数字证据分类模型训练方法,其特征在于,应用于分类系统上,所述分类系统包括联邦学习模块、区块链和星际文件系统,所述联邦学习模块包括聚合器和至少两个联邦学习节点,所述区块链用于存放内容标识符,所述星际文件系统用于存储数据,通过所述区块链上的内容标识符从所述星际文件系统上获取内容标识符对应的数据;所述数字证据分类模型训练方法包括:
当分类系统接收到模型训练请求时,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符,其中,所述训练模型为所述聚合器对应的模型,所述内容标识符为唯一标识,所述测试集为数字证据;
所述联邦学习节点根据所述测试集对应的内容标识符,从所述星际文件系统获取测试集,根据所述训练模型对应的内容标识符,从所述星际文件系统获取训练模型;
所述联邦学习节点基于所述测试集和本地数据对所述训练模型进行训练,得到本地模型,并生成所述本地模型对应的内容标识符,其中,所述本地模型存储到所述星际文件系统,所述本地模型对应的内容标识符通过所述区块链发送给所述聚合器,所述本地数据为数字证据;
所述聚合器基于接收到的内容标识符获取本地模型,并对获取到的每个所述本地模型进行异常检测,得到检测结果;
所述聚合器将所述检测结果为正常的本地模型进行加权融合,得到融合模型;
当满足训练结束条件时,将所述融合模型作为数字证据分类模型,否则,所述聚合器对所述训练模型进行调参处理,并返回所述聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
2.如权利要求1所述的数字证据分类模型训练方法,其特征在于,所述聚合器基于接收到的内容标识符获取本地模型,并对获取到的每个所述本地模型进行异常检测,得到检测结果的步骤包括:
聚合器基于接收到的内容标识符获取所有本地模型;
针对每一个所述本地模型,确定所述本地模型在训练过程得到的所有迭代参数;
对所有所述迭代参数进行相似度计算,得到相似度结果;
当所述相似度结果满足预设条件,则确定所述本地模型的检测结果为正常,否则,确定所述本地模型的检测结果为异常。
3.如权利要求1所述的数字证据分类模型训练方法,其特征在于,在所述当满足训练结束条件时,将融合模型作为数字证据分类模型,否则,所述聚合器对所述训练模型进行调参处理,并返回所述聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行之后,所述方法还包括:
获取测试集,并基于所述测试集对数字证据分类模型进行评估,得到评估值;
针对每个联邦学习节点,根据所述联邦学习节点的本地模型和所述评估值,确定所述联邦学习节点的贡献值;
根据所述贡献值确定对所述联邦学习节点的奖励。
4.如权利要求3所述的数字证据分类模型训练方法,其特征在于,在所述当分类系统接收到模型训练请求时,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符之前,所述方法还包括:
获取所有联邦学习节点对应的奖励;
当所述联邦学习节点对应的奖励大于预设阈值时,则将所述联邦学习节点作为满足预设条件的联邦学习节点。
5.如权利要求1所述的数字证据分类模型训练方法,其特征在于,所述当满足训练结束条件时,将所述融合模型作为数字证据分类模型,否则,所述聚合器对所述训练模型进行调参处理,并返回所述聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行的步骤包括:
聚合器从星际文件系统上获取验证集;
基于所述验证集,对所述融合模型进行评估,得到评估结果;
当所述评估结果满足预设条件时,将所述融合模型作为数字证据分类模型;
当所述评估结果未满足预设条件,所述聚合器对所述训练模型进行调参处理,并返回所述聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
6.一种分类方法,其特征在于,所述分类方法包括:
获取待分类数字证据;
将所述待分类数字证据输入数字证据分类模型中进行分类,得到分类结果,其中,所述数字证据分类模型根据权利要求1至5任一项所述的数字证据分类模型训练方法得到。
7.一种数字证据分类模型训练装置,其特征在于,应用于分类系统上,所述分类系统包括联邦学习模块、区块链和星际文件系统,所述联邦学习模块包括聚合器和至少两个联邦学习节点,所述区块链用于存放内容标识符,所述星际文件系统用于存储数据,通过所述区块链上的内容标识符从所述星际文件系统上获取内容标识符对应的数据;所述数字证据分类模型训练装置包括:
广播模块,用于当分类系统接收到模型训练请求时,聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符,其中,所述训练模型为所述聚合器对应的模型,所述内容标识符为唯一标识,所述测试集为数字证据;
数据获取模块,用于所述联邦学习节点根据所述测试集对应的内容标识符,从所述星际文件系统获取测试集,根据所述训练模型对应的内容标识符,从所述星际文件系统获取训练模型;
训练模块,用于所述联邦学习节点基于所述测试集和本地数据对所述训练模型进行训练,得到本地模型,并生成所述本地模型对应的内容标识符,其中,所述本地模型存储到所述星际文件系统,所述本地模型对应的内容标识符通过所述区块链发送给所述聚合器,所述本地数据为数字证据;
异常检测模块,用于所述聚合器基于接收到的内容标识符获取本地模型,并对获取到的每个所述本地模型进行异常检测,得到检测结果;
融合模型获取模块,用于所述聚合器将所述检测结果为正常的本地模型进行加权融合,得到融合模型;
数字证据分类模型获取模块,用于当满足训练结束条件时,将所述融合模型作为数字证据分类模型,否则,所述聚合器对所述训练模型进行调参处理,并返回所述聚合器通过区块链向满足预设条件的联邦学习节点广播测试集对应的内容标识符和训练模型对应的内容标识符的步骤继续执行。
8.一种数字证据分类装置,其特征在于,所述分类装置包括:
数据获取模块,用于获取待分类数字证据;
分类模块,用于将所述待分类数字证据输入数字证据分类模型中进行分类,得到分类结果,其中,所述数字证据分类模型根据权利要求1至5任一项所述的数字证据分类模型训练方法得到。
9.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的数字证据分类模型训练方法,或者,所述处理器执行所述计算机程序时实现如权利要求6所述的分类方法。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的数字证据分类模型训练方法,或者,所述计算机程序被处理器执行时实现如权利要求6所述的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637367.3A CN116361663B (zh) | 2023-06-01 | 2023-06-01 | 数字证据分类模型训练方法、分类方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637367.3A CN116361663B (zh) | 2023-06-01 | 2023-06-01 | 数字证据分类模型训练方法、分类方法、装置及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116361663A CN116361663A (zh) | 2023-06-30 |
CN116361663B true CN116361663B (zh) | 2023-08-15 |
Family
ID=86934839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310637367.3A Active CN116361663B (zh) | 2023-06-01 | 2023-06-01 | 数字证据分类模型训练方法、分类方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116361663B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3786872A1 (en) * | 2019-08-26 | 2021-03-03 | Accenture Global Solutions Limited | Decentralized federated learning system |
WO2021179720A1 (zh) * | 2020-10-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 基于联邦学习的用户数据分类方法、装置、设备及介质 |
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 |
CN115659378A (zh) * | 2022-12-13 | 2023-01-31 | 湖南工商大学 | 案件记录信息的存证方法及相关设备 |
CN115859802A (zh) * | 2022-11-28 | 2023-03-28 | 南京邮电大学 | 一种基于区块链的物联网两阶段联邦学习激励方法及装置 |
CN116128051A (zh) * | 2022-11-08 | 2023-05-16 | 浙江大学 | 一种激励驱动的链上半异步联邦学习方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963786B1 (en) * | 2019-05-07 | 2021-03-30 | Ledgerdomain Inc. | Establishing a trained machine learning classifier in a blockchain network |
-
2023
- 2023-06-01 CN CN202310637367.3A patent/CN116361663B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3786872A1 (en) * | 2019-08-26 | 2021-03-03 | Accenture Global Solutions Limited | Decentralized federated learning system |
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 |
WO2021179720A1 (zh) * | 2020-10-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 基于联邦学习的用户数据分类方法、装置、设备及介质 |
CN116128051A (zh) * | 2022-11-08 | 2023-05-16 | 浙江大学 | 一种激励驱动的链上半异步联邦学习方法 |
CN115859802A (zh) * | 2022-11-28 | 2023-03-28 | 南京邮电大学 | 一种基于区块链的物联网两阶段联邦学习激励方法及装置 |
CN115659378A (zh) * | 2022-12-13 | 2023-01-31 | 湖南工商大学 | 案件记录信息的存证方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
基于区块链的大数据侦查:价值、场景与协同规制;马明亮;公安学研究;第5卷(第27期);1-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN116361663A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Reliable federated learning for mobile networks | |
CN113794675B (zh) | 基于区块链和联邦学习的分布式物联网入侵检测方法及系统 | |
CN108923909B (zh) | 区块链生成方法、装置、计算机设备及存储介质 | |
CN109922032B (zh) | 用于确定登录账户的风险的方法、装置、设备及存储介质 | |
CN108846673B (zh) | 一种区块数据的处理方法、装置、设备和存储介质 | |
CN109981682B (zh) | 物联网设备的数据验证方法、装置及系统 | |
CN111125737B (zh) | 基于区块链的环境监测系统 | |
CN110266635B (zh) | 车辆信息共享方法、装置、计算机可读介质及电子设备 | |
CN111401447B (zh) | 一种基于人工智能的流量作弊识别方法、装置、电子设备 | |
CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
CN108694330A (zh) | 物联网数据管理方法、平台及设备 | |
CN107579968B (zh) | 视频流地址检测方法、装置及服务器 | |
CN109376534B (zh) | 用于检测应用的方法和装置 | |
CN112631550A (zh) | 区块链随机数生成方法、装置、设备及计算机存储介质 | |
CN112134883B (zh) | 基于可信计算进行节点间信任关系快速认证的方法、装置及相关产品 | |
CN117557270B (zh) | 移动终端安全支付管理方法及系统 | |
CN113628049B (zh) | 一种基于群体智能的区块链智能合约的冲突裁决方法 | |
CN113221163B (zh) | 一种训练模型的方法及系统 | |
CN110336815A (zh) | 基于区块链的攻击防御方法、装置、设备及可读存储介质 | |
CN112613601A (zh) | 神经网络模型更新方法、设备及计算机存储介质 | |
CN112488163A (zh) | 一种异常账号的识别方法、装置、计算机设备及存储介质 | |
CN111931214A (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN108540335B (zh) | 设备分析报告的管理方法及管理装置 | |
Krishna et al. | Secure socket layer certificate verification: a learning automata approach | |
Sarkar et al. | Cloud enabled Blockchain-based secured communication in mutual intelligent transportation using neural synchronization |
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 |