[发明专利]联邦学习方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种联邦学习方法，其特征在于，应用于参与联邦学习的多个边缘节点中的任一边缘节点，包括：

获取串联顺序，所述串联顺序用于指示所述任一边缘节点对应的下一个节点，所述下一个节点是所述多个边缘节点中的一个边缘节点，或者是联邦学习的中心节点；

接收所述任一边缘节点的上一个节点发送的第一模型，所述上一个节点是所述多个边缘节点中的一个节点，或者是所述中心节点；

根据所述第一模型进行本地训练，得到第二模型；

聚合所述第二模型和所述第一模型，得到第三模型；

向所述下一个节点发送所述第三模型，以便于所述下一个节点根据所述第三模型进行本轮联邦学习。

2.根据权利要求1所述的方法，其特征在于，还包括：

获取对所述第一模型进行本地训练得到的训练参数；

向区块链上传所述训练参数，以便于所述中心节点从所述区块链中获取所述训练参数，并根据所述训练参数确定所述任一边缘节点在本轮联邦学习的训练分。

3.根据权利要求2所述的方法，其特征在于，所述训练参数包括所述第二模型的性能指标和/或所述任一边缘节点对所述第一模型进行本地训练的相对效率参数；

所述相对效率参数包括所述任一边缘节点对所述第一模型进行本地训练使用的时间和数据量，或者包括根据所述时间和数据量计算得到的相对效率。

4.根据权利要求1所述的方法，其特征在于，所述获取串联顺序，包括：

从区块链中获取所述串联顺序。

5.根据权利要求1所述的方法，其特征在于，还包括：

获取所述任一边缘节点的性能参数；

向区块链上传所述性能参数，以便于所述中心节点从所述区块链中获取所述性能参数，并根据所述性能参数确定参与第一轮联邦学习的边缘节点。

6.根据权利要求5所述的方法，其特征在于，所述性能参数包括所述任一边缘节点具有的样本数据量和/或图形处理器GPU性能参数。

7.一种联邦学习方法，其特征在于，应用于联邦学习的中心节点，所述中心节点具有第一全局模型，包括：

确定参与本轮联邦学习的多个边缘节点；

确定所述多个边缘节点之间的串联顺序；

向所述串联顺序指示的第一个边缘节点发送所述第一全局模型；

接收所述串联顺序指示的最后一个边缘节点发送的半全局模型；

根据所述半全局模型更新所述第一全局模型，得到第二全局模型。

8.根据权利要求7所述的方法，其特征在于，还包括：

将所述串联顺序上传至区块链，以便于所述多个边缘节点从所述区块链中获取所述串联顺序，以及根据所述串联顺序进行联邦学习。

9.根据权利要求7所述的方法，其特征在于，所述确定参与本轮联邦学习的多个边缘节点，包括：

从区块链中获取参与第一轮联邦学习的多个参与边缘节点的训练参数；

根据所述训练参数，确定所述多个参与边缘节点的信任值；

根据所述信任值，从所述参与边缘节点中确定出参与本轮联邦学习的多个边缘节点。

10.根据权利要求9所述的方法，其特征在于，所述根据所述训练参数，确定所述多个参与边缘节点的信任值，包括：

根据所述训练参数确定所述多个参与边缘节点在历史参与联邦学习中的训练分；

确定所述多个参与边缘节点中每一参与边缘节点的训练分的权重，每一参与边缘节点的训练分的权重之和相同；

根据所述权重，确定所述多个参与边缘节点中每一参与参边缘节点的信任值。