[发明专利]一种基于区块链的异步联邦学习方法、系统、设备及介质

权利要求书

1.一种基于区块链的异步联邦学习方法，其特征在于，包括：

接收任一区块链节点上传的原始模型，为所述原始模型标记赋值为0的序号，将所述原始模型及其对应的所述序号保存在所述区块链上；

控制参与节点依次接收所述区块链上带有所述序号的所述原始模型，根据所述序号计算对应的时延系数，使用所述时延系数和对应的所述原始模型在本地进行聚合以计算获得全局模型；

利用当前所述参与节点的本地数据对所述全局模型进行训练，直至满足停止条件才停止训练任务以在训练完毕后获得本地模型，对所述本地模型所对应的所述序号进行递增，并将所述本地模型参数及其对应的所述序号保存在所述区块链上。

2.根据权利要求1所述的基于区块链的异步联邦学习方法，其特征在于，在所述控制参与节点接收所述区块链上带有所述序号的所述原始模型的之前，还包括：

对所述参与节点进行身份验证以确保每个所述参与节点在通过其身份验证后才允许所述参与节点接收所述区块链上带有所述序号的模型。

3.根据权利要求1所述的基于区块链的异步联邦学习方法，其特征在于，计算获得所述全局模型的方法为：

X_t←(1-α_t)X_t-1+α_tx_new；

其中，X_t代表序号t时的全局模型；X_t-1代表序号t-1时的全局模型；α_t代表时延系数，与时间有关；x_new代表基于X_t-1模型使用本地数据训练得到的本地模型。

4.根据权利要求3所述的基于区块链的异步联邦学习方法，其特征在于，所述时延系数的计算方法为：

α_t←α×f(t-τ)；

f(t-τ)＝(t-τ+1)^-1；

其中，α_t代表时延系数，α代表超参数，取值在(0,1)之间，t-τ代表当前最新的序号与本地模型使用的全局模型序号的差；f()代表时延函数。

5.根据权利要求1所述的基于区块链的异步联邦学习方法，其特征在于，判断是否满足所述停止条件的方法为：

判断所述全局模型在进行训练过程中是否收敛，若收敛则满足停止条件；或，

判断训练任务的执行时间是否超过预设时间，若超过则满足停止条件；或，

判断在预设时间内参与训练的所述区块链节点的数量是否小于预设值，若是则满足停止条件。

6.根据权利要求5所述的基于区块链的异步联邦学习方法，其特征在于，若判断得出所述执行时间超过预设时间，或在所述预设时间内参与训练的所述区块链节点的数量小于所述预设值时，生成并推送任务失败提示消息。

7.根据权利要求1所述的基于区块链的异步联邦学习方法，其特征在于，当满足所述停止条件时，还包括：

调取预设的激励政策，结合所述区块链记录的各节点参与情况生成并推送对应的发放奖励资源。

8.一种基于区块链的异步联邦学习系统，其特征在于，执行如权利要求1～7任意一项所述的基于区块链的异步联邦学习方法，其系统应用在包含目标节点和参与节点的区块链上；

所述目标节点用于根据任务需求上传原始模型，为所述原始模型标记赋值为0的序号，将所述原始模型及其对应的所述序号保存在所述区块链上；

所述参与节点用于接收所述区块链上带有所述序号的所述原始模型，根据所述序号计算对应的时延系数，使用所述时延系数和对应的所述原始模型在本地进行聚合以计算获得全局模型；利用当前所述参与节点的本地数据对所述全局模型进行训练，直至满足停止条件才停止训练任务以在训练完毕后获得本地模型，对所述本地模型所对应的所述序号进行递增，并将所述本地模型参数及其对应的所述序号保存在所述区块链上。