CN117474124A - 一种基于联邦学习的模型训练方法、装置、设备及介质 - Google Patents
一种基于联邦学习的模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117474124A CN117474124A CN202311675229.0A CN202311675229A CN117474124A CN 117474124 A CN117474124 A CN 117474124A CN 202311675229 A CN202311675229 A CN 202311675229A CN 117474124 A CN117474124 A CN 117474124A
- Authority
- CN
- China
- Prior art keywords
- model training
- node server
- training parameters
- local
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012790 confirmation Methods 0.000 claims description 14
- 230000001360 synchronised effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种基于联邦学习的模型训练方法、装置、设备及介质。该方法包括：指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将局部模型训练参数发送至关联的边缘服务器；根据预设实用拜占庭容错算法，指示从节点服务器和主节点服务器同步局部模型训练参数；指示每个本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。本发明实施例的技术方案，将局部模型的训练参数传送至所关联的边缘服务器中，通过将边缘服务器作为节点并完成数据的共识，利用共识后得到的全局模型训练参数即可确定全局模型，本方案去中心化训练模型并分布式存储模型的训练参数，整体提升了联邦学习的安全性。
Description
技术领域
本发明涉及网络信息安全技术领域，尤其涉及一种基于联邦学习的模型训练方法、装置、设备及存储介质。
背景技术
在金融科技发展中，人工智能技术如火如荼，训练出的模型也被应用到各个金融领域当中。但为了能够提高模型的精确度，势必需要获取大量且多维度的数据集参与模型训练，同时还要保证隐私数据的安全性。而联邦学习已成为解决上述问题的一种有效方案。
然而，联邦学习也有着自身的局限性。联邦学习在训练模型的过程中，依赖于单个集中式的服务器，容易受到服务器单点故障的影响。通过局部模型参数可以推测出其本地数据集的数据特征，故任何恶意攻击服务器的行为都会导致全局模型更新出现问题，甚至导致数据隐私泄露和全局模型被篡改等问题，这不利于后续局部模型的更新和数据保护。
发明内容
本发明提供了一种基于联邦学习的模型训练方法、装置、设备及介质，以解决利用联邦学习训练模型时依赖中心服务器的问题。
第一方面，本发明提供了一种基于联邦学习的模型训练方法，包括：
指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器；
根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数；
指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。
第二方面，本发明提供了一种基于联邦学习的模型训练装置，包括：
训练参数发送模块，用于指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器；
训练参数同步模块，用于根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数；
全局模型确定模块，用于指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。
第三方面，本发明提供了一种电子设备，该电子设备包括：
至少一个处理器；
以及与至少一个处理器通信连接的存储器；
其中，存储器存储有可被至少一个处理器执行的计算机程序，该计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述第一方面的基于联邦学习的模型训练方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现上述第一方面的基于联邦学习的模型训练方法。
本发明提供的基于联邦学习的模型训练方案，指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器，根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数，指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。通过采用上述技术方案，预先利用本地的数据集进行局部模型训练，然后将得到的局部模型的训练参数传送至所关联的边缘服务器中，通过将边缘服务器作为节点并完成数据的共识，利用共识后得到的全局模型训练参数即可确定全局模型，本方案可以去中心化训练模型并分布式存储模型的训练参数，整体提升了联邦学习的安全性。
应当理解，本部分所描述的内容并非旨在标识本发明的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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他的附图。
图1是根据本发明实施例一提供的一种基于联邦学习的模型训练方法的流程图；
图2是根据本发明实施例二提供的一种基于联邦学习的模型训练方法的流程图；
图3是根据本发明实施例二提供的一种共识过程示意图；
图4是根据本发明实施例三提供的一种基于联邦学习的模型训练装置的结构示意图；
图5是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种基于联邦学习的模型训练方法的流程图，本实施例可适用于利用联邦学习对模型进行训练的情况，该方法可以由基于联邦学习的模型训练装置来执行，该基于联邦学习的模型训练装置可以采用硬件和/或软件的形式实现，该基于联邦学习的模型训练装置可配置于电子设备中，该电子设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。
如图1所示，该本发明实施例一提供的一种基于联邦学习的模型训练方法，具体包括如下步骤：
S101、指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器。
在本实施例中，模型的需求方可以发布模型训练任务，并提供初始模型和训练要求，然后模型的需求方可以先将初始模型发送至边缘服务器，再指示边缘服务器将初始模型发送至关联的本地设备。本地设备可以利用本地数据集对初始模型进行训练，以得到局部模型的以及局部模型训练参数，如梯度参数等，并将该局部模型训练参数发送至关联的边缘服务器。其中，本地设备与边缘服务器关联关系可以预先设定。
S102、根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数。
在本实施例中，可以利用实用拜占庭容错算法完成多个边缘服务器间的共识。边缘服务器中的主节点服务器相当于实用拜占庭容错算法中的主节点，从节点服务器相当于实用拜占庭容错算法中的从节点。通过利用实用拜占庭容错算法中的预准备阶段、准备阶段、确认阶段以及回复阶段，即可实现从节点服务器和主节点服务器中均存有全局模型训练参数。其中，也可以对实用拜占庭容错算法进行优化，如将确认阶段删除，仅利用预准备阶段、准备阶段以及回复阶段完成边缘服务器间的共识。
S103、指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。
在本实施例中，边缘服务器可以利用全局模型训练参数生成对应的初始全局模型，若初始全局模型的精度满足精度要求，则可以指示边缘服务器将全局模型训练参数发送至关联的本地设备，以使本地设备利用该全局模型训练参数确定全局模型。反之，若初始全局模型的精度不满足精度要求，则可以指示边缘服务器将全局模型训练参数发送至关联的本地设备，以使本地设备利用该全局模型训练参数和本地数据集确定新的局部模型训练参数，再重复利用预设实用拜占庭容错算法进行局部模型训练参数的共识，直至初始全局模型的精度满足精度要求。
本发明实施例提供的基于联邦学习的模型训练方法，指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器，根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数，指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。本发明实施例技术方案，预先利用本地的数据集进行局部模型训练，然后将得到的局部模型的训练参数传送至所关联的边缘服务器中，通过将边缘服务器作为节点并完成数据的共识，利用共识后得到的全局模型训练参数即可确定全局模型，本方案可以去中心化训练模型并分布式存储模型的训练参数，整体提升了联邦学习的安全性。
可选的，所述根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，包括：基于预设实用拜占庭容错算法，指示所述从节点服务器将自身存储的局部模型训练参数，发送至所述主节点服务器；基于预设实用拜占庭容错算法，指示所述主节点服务器将自身存储的全局模型训练参数同步至所述从节点服务器。
具体的，可以根据预设实用拜占庭容错算法，指示从节点服务器将自身存储的局部模型训练参数发送至主节点服务器，以使主节点服务器存储有每个从节点服务器的局部模型训练参数，其中，从节点服务器的数量为多个，全局模型训练参数可以理解为每个从节点服务器的局部模型训练参数的整合。然后，根据预设实用拜占庭容错算法，指示主节点服务器将自身存储的全局模型训练参数同步至从节点服务器。其中，从节点服务器在接收到全局模型训练参数后可以向主节点服务器发送反馈信息。
可选的，在指示每个本地设备将所述局部模型训练参数发送至关联的边缘服务器之前，还包括：针对每个本地设备，将与当前本地设备距离最近的边缘服务器，确定为所述当前本地设备关联的边缘服务器。这样设置的好处在于，合理的确定了本地设备与边缘服务器的关联关系，保证了数据传输的效率。
具体的，可以将与本地设备距离最近的边缘服务器，确定为该本地设备关联的边缘服务器。其中，边缘服务器可以为银行的分行等金融机构的服务器。
实施例二
图2为本发明实施例二提供的一种基于联邦学习的模型训练方法的流程图，本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化，给出了对模型进行训练的具体方式。
可选的，所述基于预设实用拜占庭容错算法，指示所述主节点服务器将自身存储的全局模型训练参数同步至所述从节点服务器，包括：基于预设实用拜占庭容错算法，指示所述主节点服务器将预准备信息发送至所述从节点服务器，其中，所述预准备信息中至少包括所述主节点服务器自身存储的全局模型训练参数；指示每个所述从节点服务器对所述预准备信息进行校验，并在校验通过后向所述主节点服务器和目标从节点服务器发送准备信息，其中，所述目标从节点服务器为除自身外的从节点服务器；若确定所述边缘服务器接收到的准备信息的数量大于或等于第一预设数量，则指示所述从节点服务器将确认信息发送至所述主节点服务器；若确定所述主节点服务器接收到的确认信息的数量是否大于或等于第二预设数量，则确定所述主节点服务器已将自身存储的全局模型训练参数同步至所述从节点服务器。这样设置的好处在于，简化了共识过程的通信次数，提升了联邦学习的模型训练效率，将边缘计算应用到联邦学习中，使本地设备与边缘服务器相互绑定，通过指示本地设备将局部模型训练参数上传至关联的边缘服务器中，由边缘服务器对该参数进行验证和聚合，降低了数据传输的时延和能耗。
可选的，在指示所述主节点服务器将预准备信息发送至所述从节点服务器之前，还包括：指示所述主节点服务器利用区块链加密算法，将所述全局模型训练参数打包成区块，以生成预准备信息，其中，所述预准备信息中至少包括所述区块。这样设置的好处在于，将区块链技术应用到联邦学习中，保证了隐私数据的安全性。
可选的，在所述指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型之前，还包括：指示所述边缘服务器利用全局模型训练参数和所述初始模型确定待确定模型，并利用测试数据测试所述待确定模型，若测试通过，则将所述全局模型训练参数确定为目标全局模型训练参数；指示所述边缘服务器将所述目标全局模型训练参数发送至关联的本地设备；其中，所述指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型，包括：指示每个所述本地设备利用关联的边缘服务器发送的目标全局模型训练参数确定全局模型。这样设置的好处在于，由获得记账权的主节点边缘服务器节点聚合全局模型，减少了节点的数量，降低了通信开销，解决了传统联邦学习的中心化问题。
如图2所示，本发明实施例二提供的一种基于联邦学习的模型训练方法，具体包括如下步骤：
S201、针对每个本地设备，将与当前本地设备距离最近的边缘服务器，确定为当前本地设备关联的边缘服务器。
S202、指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将局部模型训练参数发送至关联的边缘服务器。
S203、基于预设实用拜占庭容错算法，指示从节点服务器将自身存储的局部模型训练参数，发送至主节点服务器。
S204、指示主节点服务器利用区块链加密算法，将全局模型训练参数打包成区块，以生成预准备信息。
其中，所述预准备信息中至少包括所述区块。
具体的，主节点服务器可以利用区块链加密算法，如哈希算法等，对全局模型训练参数进行加密并打包成区块链中的区块，以生成预准备信息。预准备信息中可以包含该区块、主节点服务器的节点号以及该区块的摘要等。
S205、基于预设实用拜占庭容错算法，指示主节点服务器将预准备信息发送至从节点服务器。
其中，所述预准备信息中至少包括所述主节点服务器自身存储的全局模型训练参数。
具体的，图3为一种共识过程示意图，图3中P为主节点服务器，S1、S2、S3以及S4均为从节点服务器。如图3所示，在第1阶段，主节点服务器可以将预准备信息发送至从节点服务器。
S206、指示每个从节点服务器对预准备信息进行校验，并在校验通过后向主节点服务器和目标从节点服务器发送准备信息。
其中，所述目标从节点服务器为除自身外的从节点服务器。
可选的，所述准备信息中至少包括所述区块的摘要。
具体的，如图3所示，在第2阶段，每个从节点服务器在接收到预准备信息后，可以对该预准备信息进行校验，并在校验通过后向主节点服务器和除自身外的其他从节点服务器发送准备信息。其中，校验的内容可以包括对主节点服务器的节点号和区块的摘要等。
S207、若确定边缘服务器接收到的准备信息的数量大于或等于第一预设数量，则指示从节点服务器将确认信息发送至主节点服务器。
具体的，如图3所示，在第3阶段，若主节点服务器和从节点服务器收到大于或等于f+1条准备消息，则向主节点服务器发送确认信息。其中，f为预设的可以容忍的拜占庭节点个数，主节点服务器和从节点服务器的总数量要大于或等于3f+1。
S208、若确定主节点服务器接收到的确认信息的数量是否大于或等于第二预设数量，则确定主节点服务器已将自身存储的全局模型训练参数同步至从节点服务器。
具体的，若主节点服务器接收到的确认信息的数量大于或等于2f+1，则可确定主节点服务器已将自身存储的全局模型训练参数同步至从节点服务器，即确定共识过程结束。
其中，在实用拜占庭容错算法中，节点预准备阶段已经完成了共识过程，确认阶段的作用主要是使各节点掌握其余节点的局部模型训练参数。在区块链网络中，每一个达成共识的区块都可作为一个检查点，在预准备阶段完成共识后，通过区块同步即可使边缘服务器达成一致。故在确认阶段，无需边缘服务器节点间互相发送确认消息，而是指示从节点服务器发送到主节点服务器，由主节点服务器负责收集确认消息，即可确定是否完成了共识。
S209、指示边缘服务器利用全局模型训练参数和初始模型确定待确定模型，并利用测试数据测试待确定模型，若测试通过，则将全局模型训练参数确定为目标全局模型训练参数。
具体的，可以利用全局模型训练参数对初始模型进行设置，以生成待确定模型，然后利用测试数据测试该待确定模型的精度。若测试通过，则将该全局模型训练参数确定为目标全局模型训练参数，若测试未通过，则将该全局模型训练参数发送至关联的本地设备，以使本地设备利用该全局模型训练参数和本地数据集确定新的局部模型训练参数，再重复利用上述步骤进行模型训练参数的共识，直至待确定模型通过测试。
S210、指示每个本地设备利用关联的边缘服务器发送的目标全局模型训练参数确定全局模型。
本发明实施例提供的基于联邦学习的模型训练方法，简化了共识过程的通信次数，提升了联邦学习的模型训练效率，将边缘计算应用到联邦学习中，使本地设备与边缘服务器相互绑定，通过指示本地设备将局部模型训练参数上传至关联的边缘服务器中，由边缘服务器对该参数进行验证和聚合，降低了数据传输的时延和能耗，并通过将区块链技术应用到联邦学习中，保证了隐私数据的安全性，由获得记账权的主节点边缘服务器节点聚合全局模型，减少了节点的数量，降低了通信开销，解决了传统联邦学习的中心化问题。
实施例三
图4为本发明实施例三提供的一种基于联邦学习的模型训练装置的结构示意图。如图4所示，该装置包括：训练参数发送模块301、训练参数同步模块302以及全局模型确定模块303，其中：
训练参数发送模块，用于指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器；
训练参数同步模块，用于根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数；
全局模型确定模块，用于指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。
本发明实施例提供的基于联邦学习的模型训练装置，预先利用本地的数据集进行局部模型训练，然后将得到的局部模型的训练参数传送至所关联的边缘服务器中，通过将边缘服务器作为节点并完成数据的共识，利用共识后得到的全局模型训练参数即可确定全局模型，本方案可以去中心化训练模型并分布式存储模型的训练参数，整体提升了联邦学习的安全性。
可选的，训练参数同步模块包括：
基于预设实用拜占庭容错算法，指示所述从节点服务器将自身存储的局部模型训练参数，发送至所述主节点服务器；
基于预设实用拜占庭容错算法，指示所述主节点服务器将自身存储的全局模型训练参数同步至所述从节点服务器。
可选的，所述基于预设实用拜占庭容错算法，指示所述主节点服务器将自身存储的全局模型训练参数同步至所述从节点服务器，包括：基于预设实用拜占庭容错算法，指示所述主节点服务器将预准备信息发送至所述从节点服务器，其中，所述预准备信息中至少包括所述主节点服务器自身存储的全局模型训练参数；指示每个所述从节点服务器对所述预准备信息进行校验，并在校验通过后向所述主节点服务器和目标从节点服务器发送准备信息，其中，所述目标从节点服务器为除自身外的从节点服务器；若确定所述边缘服务器接收到的准备信息的数量大于或等于第一预设数量，则指示所述从节点服务器将确认信息发送至所述主节点服务器；若确定所述主节点服务器接收到的确认信息的数量是否大于或等于第二预设数量，则确定所述主节点服务器已将自身存储的全局模型训练参数同步至所述从节点服务器。
可选的，在指示所述主节点服务器将预准备信息发送至所述从节点服务器之前，还包括：指示所述主节点服务器利用区块链加密算法，将所述全局模型训练参数打包成区块，以生成预准备信息，其中，所述预准备信息中至少包括所述区块。
进一步的，所述准备信息中至少包括所述区块的摘要。
可选的，该装置还包括：
在指示每个本地设备将所述局部模型训练参数发送至关联的边缘服务器之前，针对每个本地设备，将与当前本地设备距离最近的边缘服务器，确定为所述当前本地设备关联的边缘服务器。
可选的，该装置还包括：
在所述指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型之前，指示所述边缘服务器利用全局模型训练参数和所述初始模型确定待确定模型，并利用测试数据测试所述待确定模型，若测试通过，则将所述全局模型训练参数确定为目标全局模型训练参数；
指示所述边缘服务器将所述目标全局模型训练参数发送至关联的本地设备；
可选的，全局模型确定模块具体用于，指示每个所述本地设备利用关联的边缘服务器发送的目标全局模型训练参数确定全局模型。
本发明实施例所提供的基于联邦学习的模型训练装置可执行本发明任意实施例所提供的基于联邦学习的模型训练方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如基于联邦学习的模型训练方法。
在一些实施例中，基于联邦学习的模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的基于联邦学习的模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于联邦学习的模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
上述提供的计算机设备可用于执行上述任意实施例提供的基于联邦学习的模型训练方法，具备相应的功能和有益效果。
实施例五
在本发明的上下文中，计算机可读存储介质可以是有形的介质，所述计算机可执行指令在由计算机处理器执行时用于执行基于联邦学习的模型训练方法，该方法包括：
指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器；
根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数；
指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
上述提供的计算机设备可用于执行上述任意实施例提供的基于联邦学习的模型训练方法，具备相应的功能和有益效果。
值得注意的是，上述基于联邦学习的模型训练装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于联邦学习的模型训练方法，其特征在于，包括：
指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器；
根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数；
指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。
2.根据权利要求1所述的方法，其特征在于，所述根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，包括：
基于预设实用拜占庭容错算法，指示所述从节点服务器将自身存储的局部模型训练参数，发送至所述主节点服务器；
基于预设实用拜占庭容错算法，指示所述主节点服务器将自身存储的全局模型训练参数同步至所述从节点服务器。
3.根据权利要求2所述的方法，其特征在于，所述基于预设实用拜占庭容错算法，指示所述主节点服务器将自身存储的全局模型训练参数同步至所述从节点服务器，包括：
基于预设实用拜占庭容错算法，指示所述主节点服务器将预准备信息发送至所述从节点服务器，其中，所述预准备信息中至少包括所述主节点服务器自身存储的全局模型训练参数；
指示每个所述从节点服务器对所述预准备信息进行校验，并在校验通过后向所述主节点服务器和目标从节点服务器发送准备信息，其中，所述目标从节点服务器为除自身外的从节点服务器；
若确定所述边缘服务器接收到的准备信息的数量大于或等于第一预设数量，则指示所述从节点服务器将确认信息发送至所述主节点服务器；
若确定所述主节点服务器接收到的确认信息的数量是否大于或等于第二预设数量，则确定所述主节点服务器已将自身存储的全局模型训练参数同步至所述从节点服务器。
4.根据权利要求3所述的方法，其特征在于，在指示所述主节点服务器将预准备信息发送至所述从节点服务器之前，还包括：
指示所述主节点服务器利用区块链加密算法，将所述全局模型训练参数打包成区块，以生成预准备信息，其中，所述预准备信息中至少包括所述区块。
5.根据权利要求4所述的方法，其特征在于，所述准备信息中至少包括所述区块的摘要。
6.根据权利要求1所述的方法，其特征在于，在指示每个本地设备将所述局部模型训练参数发送至关联的边缘服务器之前，还包括：
针对每个本地设备，将与当前本地设备距离最近的边缘服务器，确定为所述当前本地设备关联的边缘服务器。
7.根据权利要求1所述的方法，其特征在于，在所述指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型之前，还包括：
指示所述边缘服务器利用全局模型训练参数和所述初始模型确定待确定模型，并利用测试数据测试所述待确定模型，若测试通过，则将所述全局模型训练参数确定为目标全局模型训练参数；
指示所述边缘服务器将所述目标全局模型训练参数发送至关联的本地设备；
其中，所述指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型，包括：
指示每个所述本地设备利用关联的边缘服务器发送的目标全局模型训练参数确定全局模型。
8.一种基于联邦学习的模型训练装置，其特征在于，包括：
训练参数发送模块，用于指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器；
训练参数同步模块，用于根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数；
全局模型确定模块，用于指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于联邦学习的模型训练方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于联邦学习的模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311675229.0A CN117474124A (zh) | 2023-12-07 | 2023-12-07 | 一种基于联邦学习的模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311675229.0A CN117474124A (zh) | 2023-12-07 | 2023-12-07 | 一种基于联邦学习的模型训练方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117474124A true CN117474124A (zh) | 2024-01-30 |
Family
ID=89629487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311675229.0A Pending CN117474124A (zh) | 2023-12-07 | 2023-12-07 | 一种基于联邦学习的模型训练方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474124A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117687800A (zh) * | 2024-02-02 | 2024-03-12 | 山东海量信息技术研究院 | 一种跨域分布式计算方法、系统、存储介质和电子设备 |
-
2023
- 2023-12-07 CN CN202311675229.0A patent/CN117474124A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117687800A (zh) * | 2024-02-02 | 2024-03-12 | 山东海量信息技术研究院 | 一种跨域分布式计算方法、系统、存储介质和电子设备 |
| CN117687800B (zh) * | 2024-02-02 | 2024-05-03 | 山东海量信息技术研究院 | 一种跨域分布式计算方法、系统、存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021093244A1 (zh) | 随机数生成方法、区块链节点、系统及介质 | |
| CN108881187B (zh) | 一种适用于许可链场景的跨链数据传递方法及设备 | |
| CN108446947B (zh) | 一种房产交易方法及装置 | |
| CN109522363B (zh) | 基于区块链的云平台同步方法、系统、设备及存储介质 | |
| CN117474124A (zh) | 一种基于联邦学习的模型训练方法、装置、设备及介质 | |
| CN113792347B (zh) | 基于区块链的联邦学习方法、装置、设备及存储介质 | |
| US20190370504A1 (en) | Digital value tokens created and securely transferred by proof of electrical power generation | |
| CN108959407A (zh) | 数据的强一致性写入方法及终端设备 | |
| CN112738253A (zh) | 基于区块链的数据处理方法、装置、设备及存储介质 | |
| CN110930254A (zh) | 基于区块链的数据处理方法、装置、终端及介质 | |
| CN112631800A (zh) | 面向kafka的数据传输方法、系统、计算机设备及存储介质 | |
| CN111555860A (zh) | 一种区块链节点共识方法、装置、电子设备及存储介质 | |
| US20240039727A1 (en) | Blockchain-based data processing method and apparatus, device, and readable storage medium | |
| CN114362961B (zh) | 基于区块链的账户恢复方法、装置、设备及存储介质 | |
| CN112950349B (zh) | 一种基分布式系统冲正交易时序异常处理方法及系统 | |
| Zakariae | A lightweight blockchain framework for IoT integration in smart cities | |
| CN112615845B (zh) | 一种能源互联网的边缘可信装置及大数据处理方法 | |
| CN115118475A (zh) | 密码设备集群调度方法、装置、设备及介质 | |
| CN114785583A (zh) | 一种接口请求的加密发送、校验方法、装置、设备及介质 | |
| CN103677849B (zh) | 一种嵌入式软件可信性保障方法 | |
| CN112926981A (zh) | 用于区块链的交易信息处理方法、装置、介质及电子设备 | |
| CN111949738A (zh) | 基于区块链的数据存储去重方法、终端设备和存储介质 | |
| CN111724168A (zh) | 基于区块链的交易验证方法、装置、电子设备和介质 | |
| CN110585717A (zh) | 一种信息处理方法及装置 | |
| CN107800764A (zh) | 数据共享方法、系统、计算机可读取存储介质及服务器 |
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 |