[发明专利]一种基于区块链的联邦学习方法、装置、设备及存储介质

说明书

本发明公开了一种基于区块链的联邦学习方法、装置、设备及存储介质。该方法包括：当接收到业务层发送的联邦学习训练实例启动指令时，创建子账本，其中，所述联邦学习训练实例启动指令携带至少两个参与方节点的训练数据和每个参与方节点对应的训练算法智能合约；将训练数据存储至各个参与方节点的私有数据存储区域；调用每个参与方节点上安装的训练算法智能合约，基于所述训练数据对所述子账本上的目标模型进行模型训练，得到加密中间训练模型；在第三方安全多方计算服务节点检测到各个参与方节点提交的加密中间训练模型之后，使用智能合约对各个参与方节点提交的加密中间训练模型进行聚合运算，得到加密聚合联邦模型。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种基于区块链的联邦学习方法、装置、设备及存储介质。

背景技术

随着物联网和边缘计算的兴起，大数据往往不会汇聚成一个单一的整体，而是分布在许多方面或者不同的位置。具体来讲：联邦学习具有以下特征：

1.有两个或者更多的参与方节点协作构建一个共享的机器学习模型。每一个参与方节点都有各自的用于训练该模型的数据。

2.参与方节点自己的数据一般是需要隐私保护的，也就是不会让别的参与方节点获取。

3.任何参与方节点不能从训练模型推测出其他参与方节点的原始训练数据。

4.联邦学习场景下的训练效果要足够接近将所有数据集中后进行训练的效果。

如图1所示，图1展示了一种常见的客户-服务器(C-S，client-server)架构下的横向联邦学习架构。横向联邦学习是指参与方节点的数据集具有相同的特征空间、不同的样本空间(训练数据)的场景。参与者A、B、C使用自己的本地数据对初始模型进行训练后，将各自更新后的模型加密传输发送给聚合服务器。聚合服务器通过联邦平均算法等方法将从参与者发送来的模型聚合更新好，并且将聚合后的模型再发送回各个参与者。这个过程可以重复执行，直到被训练的模型收敛。通过此流程，所有参与者既保证了本地数据的隐私性和安全性，又共同训练、完善和分享了训练模型，达到了互利共赢的目的。

存在的问题：

1.开发一个基于上述C-S架构的联邦学习平台非常复杂，需要解决许多加密传输、身份识别等许多区块链平台已经完成的事情。

2.无法对联邦学习的过程进行可信存证和追溯。

3.各参与方节点都需要信任第三方聚合服务器，聚合服务器存在获取或者泄漏各参与方节点中间训练模型的风险。

发明内容

本发明实施例提供一种基于区块链的联邦学习方法、装置、设备及存储介质，以解决无法对联邦学习的过程进行可信存证和追溯，以及聚合服务器存在获取或者泄漏各参与方节点中间训练模型的风险的问题，大大简化联邦学习平台实现的复杂度，有利于加速联邦学习的应用和推广。

第一方面，本发明实施例提供了一种基于区块链的联邦学习方法，包括：

当接收到业务层发送的联邦学习训练实例启动指令时，创建子账本，其中，所述联邦学习训练实例启动指令携带至少两个参与方节点的训练数据和每个参与方节点对应的训练算法智能合约；

将训练数据存储至各个参与方节点的私有数据存储区域；

调用每个参与方节点上安装的训练算法智能合约，基于所述训练数据对所述子账本上的目标模型进行模型训练，得到加密中间训练模型；

在第三方安全多方计算服务节点检测到各个参与方节点提交的加密中间训练模型之后，使用智能合约对各个参与方节点提交的加密中间训练模型进行聚合运算，得到加密聚合联邦模型。

进一步的，调用每个参与方节点上安装的训练算法智能合约，基于训练数据对所述子账本上的目标模型进行模型训练，得到加密中间训练模型，包括：