[发明专利]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

说明书

本发明属于联邦学习技术领域，公开了一种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，区块链层以智能合约为载体分享全局模型和信誉评价；信誉层利用模型评分机制对所有的数据拥有者分享的局部模型进行评分；同时利用信誉机制对每一个数据拥有者进行信誉评价；模型训练层数据拥有者进行本地模型的训练并且分享给模型聚合者；同时模型聚合者结合信誉对收集的模型进行聚合并对参与的数据拥有者进行奖励。本发明公开的基于区块链的联邦学习系统，对于实现高质量模型聚合任务具有重要指导和技术意义，有助于提升联邦学习的安全性和鲁棒性，有利于促进报酬分配的公平性和参与任务的积极性。

技术领域

本发明属于联邦学习技术领域，尤其涉及一种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。

背景技术

目前，联邦学习是由Google提出的为了解决机器学习中隐私安全问题的机器学习范式。联邦学习不再使用集中存储的数据来训练模型，而是要求参与者使用自己拥有的数据在本地进行模型训练，并将与模型相关的参数或梯度发送给中心聚合服务器。而模型中心服务器会利用这些本地模型生成准确的全局模型。在这整个过程中，参与者个人的数据由于不需要直接参与分享，所以在得到理想的模型的同时很好地保护了个人数据的安全。

联邦学习面临着一个关键的问题：如何鼓励数据所有者加入到任务中来。因为在这种新的模式下，数据所有者需要承担本地训练的开销。联邦学习需要合理的激励机制来激励数据拥有者更好地参与其中，与此同时还需确保联邦学习模型的质量。常见的方法是根据每个参与者的贡献来奖励他们。关于激励机制存在着许多已有的工作，如Individualprofit-sharing、Shapley game profit-sharing以及Fair-value game。尽管如此，如何为联邦学习场景设计激励机制仍有待研究。此外，在分布式的联邦学习中，训练任务可能会受到恶意参与者的攻击，例如提供错误的本地模型参数或夸大自己的贡献。因此，适当的模型质量评估机制和任务参与者管理规则是必要的。通常，基于信誉的管理规则可以用来鼓励参与者诚实地参与任务。

虽然联邦学习可以防止原始数据泄露，但中心聚合服务器面临着单点故障的风险。区块链技术为这个问题提供了一种很好的解决思路。区块链本质上是一个由点对点网络维护的分布式账本，它在没有第三方信用背书的情况下建立了一种新的去中心化信任机制。特别是在共识机制的帮助下，区块链网络上的账本具有防篡改、不可抵赖和可公开验证的特点。与此同时，智能合约技术有助于将传统业务部署到去中心化的环境中，并以透明、可追溯和不可伪造的方式展开业务。综上所述，区块链可以用来解决传统中心化服务的安全风险。

然而现有技术并没有基于区块链技术构建联邦学习系统的方法，也没有基于区块链搭建的联邦学习系统。

通过上述分析，现有技术存在的问题及缺陷为：现有技术并没有基于区块链技术构建联邦学习系统的方法，也没有基于区块链搭建的联邦学习系统；同时现有的联邦学习系统数据安全程度不高，质量不高，单点故障风险大。

解决以上问题及缺陷的难度为：现有的区块链技术不能直接应用于联邦学习系统的构建；联邦学习的节点难以控制和预测，数据质量难以衡量。

解决以上问题及缺陷的意义为：解决了传统联邦学习单点故障的问题，极大地加强了联邦学习的稳定性；加强了联邦学习对数据质量的控制能力，保证了最终模型的质量；加强了联邦学习对恶意节点的抵抗性，增加了联邦学习的安全性。

发明内容

针对现有技术存在的问题，本发明提供了一种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。

本发明是这样实现的，一种基于区块链和信誉机制的高质量联邦学习系统，包括：

区块链层、信誉层、模型训练层；

区块链层，用于以智能合约为载体分享全局模型和信誉评价；