[发明专利]基于联盟链和联邦学习的数据管理方法、装置及设备

权利要求书

1.一种基于联盟链和联邦学习的数据管理方法，其特征在于，包括：

接收数据需求方发送的数据请求指令，所述数据请求指令包括需求方标识和请求数据类别；

调用智能合约将所述需求方标识和所述请求数据类别共享至联盟链上；

在所述联盟链上，检索与所述请求数据类别相关联的数据相关节点，每个所述数据相关节点均包括有与所述请求数据类别相关联的本地数据集；

基于联邦机器学习，对所述本地数据集进行训练，得到全局模型；

根据所述全局模型和所述需求方标识输出目标数据至所述数据需求方。

2.根据权利要求1所述的基于联盟链和联邦学习的数据管理方法，其特征在于，所述基于联邦机器学习，对所述本地数据集进行训练，得到全局模型，包括：

基于联邦机器学习，对每个所述本地数据集分别进行训练，得到对应的本地局部模型；

基于联邦机器学习，对所述本地局部模型进行训练，得到全局模型。

3.根据权利要求2所述的基于联盟链和联邦学习的数据管理方法，其特征在于，所述根据所述全局模型和所述需求方标识输出目标数据至所述数据需求方之后，还包括：

识别所述目标数据中由每个所述数据相关节点所提供的数据量；

确定每个所述本地局部模型的准确率；

根据所述提供的数据量和所述本地局部模型的准确率，确定每个所述数据相关节点的激励收益，并分配所述激励收益至对应的数据相关节点。

4.根据权利要求3所述的基于联盟链和联邦学习的数据管理方法，其特征在于，所述确定每个所述本地局部模型的准确率，包括：

基于预设平均绝对误差公式，确定本地局部模型的准确率。

5.根据权利要求3所述的基于联盟链和联邦学习的数据管理方法，其特征在于，所述根据所述提供的数据量和所述本地局部模型的准确率，确定每个所述数据相关节点的激励收益，包括：

确定单位数据量价格；

根据所述单位数据量价格、所述提供的数据量和所述本地局部模型的准确率，确定预设收益计算公式；

通过所述预设收益计算公式，确定每个所述数据相关节点的激励收益。

6.根据权利要求3所述的基于联盟链和联邦学习的数据管理方法，其特征在于，所述得到全局模型之后，还包括：

基于每个所述本地局部模型的准确率，在所有所述数据相关节点之中，确定领导节点；

通过所述领导节点收集所述联盟链接收到的所有数据，并将所述数据整合为目标区块；

广播所述目标区块至每个所述数据相关节点，以使所述数据相关节点对所述目标区块进行认证；

若所述数据相关节点均表示认证通过，则存储所述目标区块至联盟链中。

7.根据权利要求6所述的基于联盟链和联邦学习的数据管理方法，其特征在于，所述基于每个所述本地局部模型的准确率，在所有所述数据相关节点之中，确定领导节点，包括：

基于每个所述本地局部模型的准确率，在所述数据相关节点中确定委员会节点；

根据预设验证公式，计算每个所述委员会节点对应的本地局部模型的准确率；

按照所述委员会节点对应的本地局部模型的准确率的大小，在所述委员会节点中确定领导节点。

8.根据权利要求1所述的基于联盟链和联邦学习的数据管理方法，其特征在于，所述接收数据需求方发送的数据请求指令之前，还包括：

接收数据提供者的注册申请，所述注册申请包括公钥、数据配置文件和钱包账户；

根据所述公钥、所述数据配置文件和所述钱包账户，生成数据检索记录；

上传所述数据检索记录至联盟链上，以使所述联盟链中的任一节点对所述数据配置文件进行验证。