[发明专利]一种大规模物联网联邦学习隐私保护方法及系统

说明书

本发明公开了一种大规模物联网联邦学习隐私保护方法及系统。本发明使用基于区块链的支付激励方法来迫使矿工和机构诚实行事，从而加快联邦学习收敛；此外，考虑到现实网络环境中矿工存在断网现象，导致共识协议中断，影响收敛速度，本发明设计了基于PVSS的鲁棒权益证明共识来解决这一问题。实验表明，本发明的激励机制能够提高预测的准确性，降低参与者不诚实的可能性；且本发明提出的架构可以很好的具有鲁棒性地保护设备隐私。

技术领域

本发明属于分布式系统、人工智能和隐私计算融合的技术领域，具体涉及一种区块链激励的大规模物联网联邦学习隐私保护方法及系统。

背景技术

物联网(IoT)在近年来成为工业、医疗、交通等领域的焦点。物联网的蓬勃发展为边缘设备数据的获取和共享提供了新的范式，通过边缘物理设备的部署(例如智能烟雾报警器、网联智能监控、空气污染检测仪、各类智能家居设备等)，依赖专用传感器系统(mini-H、Oval等)，以及成熟的无线网标准(5G、ZigBee、NB-IoT等)，做到实时收集、计算、共享各类边缘环境数据(例如道路监控视频图像、车辆传感流量、移动设备数据等)，生成海量可用的实时边缘环境数据。

另一方面，以智能监控人脸识别、边缘恶意流量识别为目标的边缘端机器学习任务在近些年取得了重大进展，其训练过程需要大量高质量数据作为训练样本，这些物联网数据往往来自于不同设备厂商或机构自身的数据中心。物联网的兴起为边缘场景各类分类预测任务提供了更精准的数据。但基础设施所属机构之间存在数据孤岛问题，物联网数据的隐私性使得各机构不愿意直接共享他们的数据，联邦学习的提出解决了这个问题，基础设施机构无需共享数据，而是仅提供训练过程参数就可以进行更加精准的预测或分类。

传统的联邦学习架构都依赖一个中心化的参数服务器进行参数聚合，一旦产生物理故障或拜占庭攻击，会令联邦学习系统产生单点失效的风险。另外，联邦学习在传递参数过程中，能够被推测出原始数据分布情况，这对隐私敏感的物联网场景是不可容忍的。为了解决上述两个问题，很多工作引入了区块链作为一个去中心化的解决方案。矿工可以分布式地进行参数聚合，通过共识机制保证聚合内容的正确性以及矿工的诚实性。但现有的方案大多采取pow的共识机制，无意义的哈希运算将会消耗大量的能源，且性能很低。基于区块链的具有委员会共识的联邦学习区块链架构被提出，能够提升系统的吞吐量，如PoFL共识，将无意义的哈希运算变为有意义的运算，但这些工作都没有考虑到矿工节点的动态性。如果在共识执行过程中，矿工节点掉线，不仅会让区块链系统停摆，也会大大减慢联邦学习收敛的速度。

对联邦学习的激励机制包括声誉机制、最优定价策略以及博弈论方法，但在一个还没涉及到买方市场的联邦学习系统中，上述工作失去了基本的假设。本发明希望基础设施机构能够在训练之前就获得足够的动力参与到训练中。

发明内容

本发明的目的在于提供一种区块链激励的大规模物联网联邦学习隐私保护方法及系统，通过设计一种鲁棒性共识RPoS赋能的区块链架构，以防止参与到区块链的物联网设备在运行时离线导致系统停摆。同时设计一种基于区块链的支付激励手段，提高设备参与的积极性。

本发明的技术方案如下：

一种大规模物联网联邦学习隐私保护方法，其步骤包括：

1)基础设施服务机构i的各移动物联网设备IoT将所收集的物联网数据利用基础设施服务机构i的公钥进行加密；基础设施服务机构i的IoT设备根据当前位置和矿工节点的代币数量选取一矿工节点作为中继节点，将加密数据通过所述中继节点转发给服务器D_i并给予所述中继节点代币激励；或基础设施服务机构i的IoT设备直接将加密数据直接传递给服务器D_i；其中，i＝1～N，N为区块链系统中基础设施服务机构的服务器总数，基础设施服务机构i的IoT集合为x_i为基础设施服务机构i拥有的IoT设备总数，为基础设施服务机构i拥有的第x_i个IoT设备，服务器D_i为基础设施服务机构i的服务器；