[发明专利]一种基于区块链医疗数据共享的联邦学习方法

说明书

本发明涉及数据安全领域，具体涉及一种基于区块链医疗数据共享的联邦学习方法。本发明基于区块链特性及隐私保护手段，完成对医疗数据共享的同时对联邦学习进行隐私保护，避免联邦学习中的医疗数据泄露问题。

技术领域

本发明涉及数据安全领域，具体涉及一种基于区块链医疗数据共享的联邦学习方法。

背景技术

近年来的医疗改革中加强了医疗机构的信息化建设，但在医疗数据互通互认、数据的安全性、透明度和隐私保护等方面仍存在许多问题与挑战。

近年来人工智能在医疗领域发展迅速，在一部分场景下可以起到辅助诊断的作用。为了提高机器学习模型的准确度，需要大量的数据，所以常常需要跨组织间的数据共享。

联邦学习通过(模型所有者)将机器学习模型分发到各个节点(数据所有者)来完成计算，而非把各个数据所有者的数据集中起来。它的分类表现与本地训练相当，并且由于包含了更多的数据，所以拥有了更好的通用性与泛化能力。然而联邦学习本身不具备隐私保护能力。有研究表明，逆向攻击可以从模型权重和梯度更新中，重建具有很高还原性的图片。为了在这个过程中保护病人的隐私，需要技术手段以同时兼顾数据的隐私性和数据的有效性。

区块链能够基于密码学而非信任的形式，通过去中心化方式整体参与维护一个可靠数据库。区块链技术的兴起为医疗行业的数据共享提供了新思路。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于区块链医疗数据共享的联邦学习方法，基于区块链特性及隐私保护手段，完成对医疗数据共享的同时对联邦学习进行隐私保护，避免联邦学习中的医疗数据泄露问题。

为了达到上述目的，本发明采用以下技术方案予以实现。

一种基于区块链医疗数据共享的联邦学习方法，包括以下步骤：

步骤1，建立区块链网络；

步骤2，模型所有者将机器学习模型上传到区块链网络的星际文件系统IPFS，并通过设置区块链网络中合约层的多个智能合约组成的Orchestrator对联邦学习流程进行规划；

步骤3，数据所有者从区块链网络的星际文件系统IPFS中获取加密的自己的数据和断点，再对加密数据进行解密；

步骤4，数据所有者使用解密后的数据，根据Orchestrator规划联邦学习流程对机器学习模型进行训练，获得机器学习模型的训练梯度；

步骤5，数据所有者对获得的训练梯度加上噪声实现差分隐私，再将训练梯度发送给安全聚合器；

步骤6，区块链网络的分布式不可篡改账本记录机器学习过程中的训练事件；安全聚合器为训练记录生成一个nonce并发送给参与训练的医疗机构，在区块链上记录下该条训练记录的哈希值hash(K,nonce)；

步骤7，安全聚合器对数据所有者传输的训练梯度进行加密，并将全部数据所有者传输的训练梯度进行汇集，对机器学习模型进行更新。

与现有技术相比，本发明的有益效果为：基于区块链特性及隐私保护手段，完成对医疗数据共享的同时对联邦学习进行隐私保护，避免联邦学习中的医疗数据泄露问题。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1为本发明对机器学习模型训练的整体流程示意图；

图2为训练集中一张黑色素瘤照片的原图；

图3为试验3中还原训练集照片的过程示意图；

图4为试验4中使用逆向攻击经过180次迭代之后，还原的训练集照片。

具体实施方式