CN111212110B - 一种基于区块链的联邦学习***及方法 - Google Patents
一种基于区块链的联邦学习***及方法 Download PDFInfo
- Publication number
- CN111212110B CN111212110B CN201911285920.1A CN201911285920A CN111212110B CN 111212110 B CN111212110 B CN 111212110B CN 201911285920 A CN201911285920 A CN 201911285920A CN 111212110 B CN111212110 B CN 111212110B
- Authority
- CN
- China
- Prior art keywords
- training
- node
- information
- model
- federal learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000004931 aggregating effect Effects 0.000 claims abstract description 4
- 230000002776 aggregation Effects 0.000 claims description 35
- 238000004220 aggregation Methods 0.000 claims description 35
- 239000002243 precursor Substances 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 14
- 230000008520 organization Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/82—Miscellaneous aspects
- H04L47/827—Aggregation of resource allocation or reservation requests
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于区块链的联邦学习***及方法，***包括：模型训练模块，用于联邦学习过程的机器学习模型更新和所述机器学习模型变化值聚合；基于区块链技术的智能合约模块，用于在所述联邦学习的过程中提供去中心化的控制功能与密钥管理功能；基于IPFS协议的存储模块，用于为所述联邦学习过程中的中间信息提供去中心化的信息存储机制；每个参与联邦学习的节点上同时运行所述模型训练模块、所述基于区块链技术的智能合约模块、所述基于IPFS协议的存储模块。实现整个***的完全去中心化，任何节点的故障和退出都不会影响其他节点继续进行联邦学习，具有更强的鲁棒性。
Description
技术领域
本发明涉及联邦学习技术领域，尤其涉及一种基于区块链的联邦学习***及方法。
背景技术
联邦学习使得各个参与机构能够在不直接交换原始数据的情况下，协同的训练机器学习模型。这对于那些数据量不足的企业或者机构而言，能够让它们联合起来，获得更好模型的同时又不暴露原始数据，实现互利共赢。现有的工程技术中，各个机构的协同训练依赖于中心化的第三方协作节点实现控制，聚合和密钥管理。现有的中心化的方法有以下缺点：
1)协作节点会持续地获得其他所有机构上传的信息。而一个好奇的协作节点可以通过这些信息推断出与各个机构原始数据相关的重要信息，如类别标签分布情况，因此会导致数据隐私的泄露。对于参与训练的机构而言，它们并不想暴露这些隐私。
2)当协作节点出现故障，整个***会发生崩溃从而无法继续运行。由于中心化的协作节点的单点故障，各个机构的联邦学习会被强行终止，无法继续协同训练。
现有技术中的联邦学习方法有隐私风险和单点故障的问题。
发明内容
本发明为了解决现有的问题，提供一种基于区块链的联邦学习***及方法。
为了解决上述问题，本发明采用的技术方案如下所述：
一种基于区块链的联邦学习***，包括：模型训练模块，用于联邦学习过程的机器学习模型更新和所述机器学习模型变化值聚合；基于区块链技术的智能合约模块，用于在所述联邦学习的过程中提供去中心化的控制功能与密钥管理功能；基于IPFS协议的存储模块，用于为所述联邦学习过程中的中间信息提供去中心化的信息存储机制；每个参与联邦学习的节点上同时运行所述模型训练模块、所述基于区块链技术的智能合约模块、所述基于IPFS协议的存储模块。
优选地，所述基于区块链技术的智能合约模块包含了训练控制模块和密钥管理模块；所述训练控制模块用于在所述联邦学习过程中的每一轮学习前随机生成包含每个参与所述联邦学习的节点的拓扑结构，在所述联邦学习过程中与各所述节点通信，通知各所述节点已有的聚合信息，并收集各所述节点进一步聚合后的信息；所述密钥管理模块存储了每个参与联邦学习的节点上传的公钥信息。
优选地，所述公钥是用于同态加密的公钥；每个所述公钥与每个参与所述联邦学习的所述节点一一对应，在所述联邦学习开始前被密钥管理模块记录。
优选地，每个所述节点均承担聚合任务，所有所述节点的聚合合起来是基于区块链的联邦学习***的聚合信息。
优选地，每个所述节点从前驱节点处获得加密信息，并将本地的加密信息与获得的所述加密信息相加，得到新的加密信息；所述新的加密信息传递给后继节点；累加后的所述加密信息被最后的节点解密，并用于全局训练模型的更新，得到最新的全局模型。
本发明提供一种基于区块链的联邦学习方法，包括如下步骤：S1：所有参与联邦学习的节点在基于区块链技术的智能合约模块的密钥管理模块登记公钥，并彼此协商训练模型的结构、初始参数信息和最大训练轮数；S2：所述节点利用本地数据对所述训练模型进行本地训练，并记录所述训练模型的变化值；所述节点从所述密钥管理模块获取本轮训练所使用的同态加密的公钥，并将所述训练模型的变化值进行加密；S3：所述节点根据拓扑缓存中的拓扑结构信息，确定所述节点在当前拓扑结构中的位置；S4：所述节点在训练控制模块的通知下，依次对加密的所述训练模型的变化值进行累加聚合；S5：所述节点的聚合结束后，所述拓扑结构上的最后一个节点对聚合信息进行解密，并对全局模型参数进行更新；S6：各个所述节点获取最新的全局模型参数，并更新所述训练模型；S7：所述节点循环训练至所述训练模型收敛或达到预先协商的最大训练轮数，此时停止训练。
优选地，所述本地训练的训练样本数由所述节点决定；所述拓扑缓存中的拓扑结构信息由所述训练控制模块在每一轮训练开始前生成，所述拓扑缓存中的拓扑结构信息标志了各个所述节点进行聚合的先后顺序。
优选地，所述节点在所述训练控制模块的通知下沿着先后顺序依次对加密信息进行累加；每个所述节点均承担聚合的任务，所有所述节点的聚合合起来是基于区块链的联邦学习***的聚合信息。
优选地，在每一轮训练开始前，所述训练控制模块选择随机一个所述节点，将所述节点作为本轮随机生成的拓扑结构的最后一个节点，用于对所述聚合信息进行解密并更新全局模型；若选择的所述节点在本轮训练开始前出现故障，则所述训练控制模块重新选择一个所述节点；若选择的所述节点在本轮全局模型更新时出现故障，则所述训练控制模块通知所有节点将训练模型回滚至本轮训练开始前的状态，再重新随机选择一个所述节点。
优选地，在每一轮训练过程中，若所述节点发生故障，所述训练控制模块会跳过故障节点，由所述故障节点的直接后继节点继续进行聚合。
本发明的有益效果为：提供一种基于区块链的联邦学***等的，且不存在中心化的第三方协作节点。任何节点的故障和退出都不会影响其他节点继续进行联邦学习，相比于现有方法，具有更强的鲁棒性。
设计了去中心化的加密聚合方法，使得没有节点可以获得其他节点的梯度或模型等信息，避免了数据隐私泄露的风险。
由于区块链的公开透明性，整个联邦学习过程的控制逻辑也是公开透明的；控制逻辑由基于区块链的智能合约实现,任何节点都可以对其进行检验，保证了整个控制逻辑是安全可靠的；同时，由于区块链的去中心化特性，控制逻辑的执行也是去中心化的；实现控制逻辑的基于区块链的智能合约会在参与联邦学习的所有节点上执行，任何单一节点无法影响它的运行。
由于区块链的不可篡改性，整个联邦学习过程所记录的历史信息都被记录在区块链中且不能被修改，这有助于对联邦学习过程中的各个节点的行为进行审计。
附图说明
图1是本发明实施例中基于区块链的联邦学习***的结构示意图。
图2是本发明实施例中基于区块链的联邦学习***的模型示意图。
图3是本发明实施例中现有技术的联邦学习***的模型示意图。
图4是本发明实施例中基于区块链的联邦学习方法的示意图。
图5是本发明实施例中基于区块链的联邦学习***和方法的训练的示意图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1所示，本发明提供一种基于区块链的联邦学习***，包括：
模型训练模块，用于联邦学习过程的机器学习模型更新和所述机器学习模型变化值聚合；
基于区块链技术的智能合约模块，用于在所述联邦学习的过程中提供去中心化的控制功能与密钥管理功能；
基于IPFS协议的存储模块，用于为所述联邦学习过程中的中间信息提供去中心化的信息存储机制；
每个参与联邦学习的节点上同时运行所述模型训练模块、所述基于区块链技术的智能合约模块、所述基于IPFS协议的存储模块。
如图2和图3所示，本发明为参与训练的机构提供去中心化的隐私保护的联邦学习***，这个***使得参与机构能够不交换本地原始数据，***漏数据隐私，且不依赖其他第三方的中心化节点。参与机构彼此协同地进行训练，从而获得比它们单独训练效果更好的机器学习模型。
进一步的，在确保联邦学习所得模型的准确率的同时，保护参与机构的数据隐私。与现有最先进的联邦学习方法相比，可以达到同样高的模型准确率。同时，设计了新的训练方法，改进了训练过程中的信息传递，从而有效的保护参与机构的数据隐私，避免了现有方法存在的数据隐私泄露的风险。
更进一步的，保证整个***的鲁棒性。因为***的训练控制模块是基于区块链技术设计实现的，***的存储模块所基于的IPFS协议也是去中心化的分布式的协议，所以***的正常运行由所有机构共同维护，不会因为任何机构的退出或故障，影响其他机构继续进行联邦学***等的，它们都可以被视为节点。整个***的架构是完全去中心化的，仅包含各个参与机构对应的节点，而没有任何第三方的中心化节点。相比于现有技术，本发明的基于区块链的联邦学习***具有更强的鲁棒性。
在本发明的一种实施例中，基于区块链技术的智能合约模块包含了训练控制模块和密钥管理模块；训练控制模块用于在联邦学习过程中的每一轮学习前随机生成包含每个参与联邦学习的节点的拓扑结构，在联邦学习过程中与各节点通信，通知各节点已有的聚合信息，并收集各节点进一步聚合后的信息；密钥管理模块存储了每个参与联邦学习的节点上传的公钥信息。所述公钥是用于同态加密的公钥；每个所述公钥与每个参与所述联邦学习的所述节点一一对应，在所述联邦学习开始前被密钥管理模块记录。每个节点均承担聚合任务，所有节点的聚合合起来是基于区块链的联邦学习***的聚合信息。每个节点从前驱节点处获得加密信息，并将本地的加密信息与获得的所述加密信息相加，得到新的加密信息；所述新的加密信息传递给后继节点；累加后的加密信息被最后的节点解密，并用于全局训练模型的更新，得到最新的全局模型。
随后，全局模型信息被分发给参与本次训练的全部节点，开始下一轮的迭代。在训练中，最终节点解密的信息是所有节点加密信息的累加，无法从中抽取出任何单一节点的信息。因此，这样的训练方法不会泄漏任何节点的梯度或模型信息，避免了现有中心化方法中的隐私泄露的风险。
全局的训练模型是利用聚合信息进行更新的，然后各个节点会获得这个全局的最新训练模型，进而用全局训练模型来更新节点的本地的训练模型，即把全局训练模型参数赋值给本地训练模型参数。
本发明的基于区块链的联邦学习***继承了区块链技术和IPFS协议的去中心化特性，这使得***的正常运行由所有节点共同维护，而不需要依赖于中心化的节点，且任何单一节点的故障和退出都不会影响其他节点继续进行联邦学习。相比于现有方法，本***具有极高的鲁棒性。
如图4所示，本发明还提供一种基于区块链的联邦学习方法，包括如下步骤：
S1：所有参与联邦学习的节点在基于区块链技术的智能合约模块的密钥管理模块登记公钥，并彼此协商训练模型的结构、初始参数信息和最大训练轮数；
在本发明的一种实施例中，本地训练的训练样本数由参与节点决定。
S2：所述节点利用本地数据对所述训练模型进行本地训练，并记录所述训练模型的变化值；所述节点从所述密钥管理模块获取本轮训练所使用的同态加密的公钥，并将所述训练模型的变化值进行加密；
在本发明的一种实施例中，在每一轮训练开始前，所述训练控制模块选择随机一个所述节点，以该所述节点对应的同态加密公钥作为本轮加密使用的公钥；并将所述节点作为本轮随机生成的拓扑结构的最后一个节点，用于之后对聚合信息进行解密并更新全局模型；若选择的节点在本轮训练开始前出现故障，则训练控制模块重新选择一个节点；若选择的节点在本轮全局模型更新时出现故障，则训练控制模块通知所有节点将训练模型回滚至本轮训练开始前的状态，再重新随机选择一个所述节点。S3：所述节点根据拓扑缓存中的拓扑结构信息，确定所述节点在当前拓扑结构中的位置；
在本发明的一种实施例中，拓扑缓存中的拓扑结构信息由所述基于区块链技术的智能合约模块的训练控制模块在每一轮训练开始前生成，所述拓扑缓存中的拓扑结构信息标志了各个所述节点的模型训练模块进行聚合的先后顺序；本轮使用的同态加密公钥所对应的节点，必须作为本轮拓扑结构的最后一个节点。
S4：所述节点在训练控制模块的通知下，依次对加密的所述训练模型的变化值进行累加聚合；
在本发明的一种实施例中，所述模型训练模块在所述训练控制模块的通知下沿着所述先后顺序依次对加密信息进行累加；每个所述节点的模型训练模块均承担了聚合的任务，所有节点的聚合合起来是基于区块链的联邦学习***的聚合信息。
S5：所述节点的聚合结束后，所述拓扑结构上的最后一个节点对聚合信息进行解密，并对全局模型参数进行更新；
在本发明的一种实施例中，所述聚合信息加密所使用的同态加密公钥，就是本轮拓扑结构上最后一个节点所上传的公钥，因此只有所述节点可以利用本地持用的私钥对聚合信息进行解密。
S6：各个所述节点获取最新的全局模型参数，并更新所述训练模型；
在本发明的一种实施例中，所述全局模型信息被存入基于IPFS协议的存储模块中，对应的索引被上传至所述训练控制模块；所述训练控制模块将该索引通知全部参与本次训练的节点；所述节点根据该索引从基于IPFS协议的存储模块中获取最新的模型参数，并用于更新本地模型参数。
S7：所述节点循环训练至所述训练模型收敛或达到预先协商的最大训练轮数，此时停止训练。
对于很多小企业和机构而言，它们所拥有的用户数据往往很少，难以单独训练出好的模型。而现有的一些数据保护条例,限制了机构之间直接交换数据的行为；同时，由于商业利益和隐私等原因，机构也不希望泄漏与本地数据相关的信息。
如图5所示，各个机构首先利用本地数据对本地模型进行迭代，在迭代了一定数量的样本后，从密钥管理模块获取本轮同态加密的公钥，并将模型的变化值进行加密。然后，在训练控制模块的通知下，各个机构沿着在拓扑结构中的位置依次将加密信息进行累加。最后由训练控制模块选出的机构对累加后的信息进行解密，再对全局模型进行更新。新的全局模型被分发给所有机构，继续进行下一轮的迭代。训练过程中的信息被***保存，由于***继承了区块链技术的不可篡改性，所以这些信息一旦被保存后就无法被更改。这可以用于对训练过程中各个机构的行为进行审计，因此不必担心机构在训练过程中做出恶意行为。通过我们的***，各个机构可以协同起来，在不依赖第三方协作者以及***漏数据隐私的情况下，共同训练出具有更好效果的模型。各个机构在保护数据隐私的同时，实现了互利共赢。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于区块链的联邦学习***，其特征在于，包括：
模型训练模块，用于联邦学习过程的机器学习模型更新和所述机器学习模型变化值聚合；
基于区块链技术的智能合约模块，用于在所述联邦学习的过程中提供去中心化的控制功能与密钥管理功能；
基于IPFS协议的存储模块，用于为所述联邦学习过程中的中间信息提供去中心化的信息存储机制；
每个参与联邦学习的节点上同时运行所述模型训练模块、所述基于区块链技术的智能合约模块、所述基于IPFS协议的存储模块；每个所述节点均承担聚合任务，所有所述节点的聚合合起来是基于区块链的联邦学习***的聚合信息；每个所述节点从前驱节点处获得加密信息，并将本地的加密信息与获得的所述加密信息相加，得到新的加密信息；所述新的加密信息传递给后继节点；累加后的所述加密信息被最后的节点解密，并用于全局训练模型的更新，得到最新的全局模型。
2.如权利要求1所述的基于区块链的联邦学习***，其特征在于，所述基于区块链技术的智能合约模块包含了训练控制模块和密钥管理模块；
所述训练控制模块用于在所述联邦学习过程中的每一轮学习前随机生成包含每个参与所述联邦学习的节点的拓扑结构，在所述联邦学习过程中与各所述节点通信，通知各所述节点已有的聚合信息，并收集各所述节点进一步聚合后的信息；
所述密钥管理模块存储了每个参与联邦学习的节点上传的公钥信息。
3.如权利要求2所述的基于区块链的联邦学习***，其特征在于，所述公钥是用于同态加密的公钥；每个所述公钥与每个参与所述联邦学习的所述节点一一对应，在所述联邦学习开始前被密钥管理模块记录。
4.一种基于区块链的联邦学习方法，其特征在于，包括如下步骤：
S1：所有参与联邦学习的节点在基于区块链技术的智能合约模块的密钥管理模块登记公钥，并彼此协商训练模型的结构、初始参数信息和最大训练轮数；
S2：所述节点利用本地数据对所述训练模型进行本地训练，并记录所述训练模型的变化值；所述节点从所述密钥管理模块获取本轮训练所使用的同态加密的公钥，并将所述训练模型的变化值进行加密；
S3：所述节点根据拓扑缓存中的拓扑结构信息，确定所述节点在当前拓扑结构中的位置；
S4：所述节点在训练控制模块的通知下，依次对加密的所述训练模型的变化值进行累加聚合；
S5：所述节点的聚合结束后，所述拓扑结构上的最后一个节点对聚合信息进行解密，并对全局模型参数进行更新；
S6：各个所述节点获取最新的全局模型参数，并更新所述训练模型；
S7：所述节点循环训练至所述训练模型收敛或达到预先协商的最大训练轮数，此时停止训练。
5.如权利要求4所述的基于区块链的联邦学习方法，其特征在于，所述本地训练的训练样本数由所述节点决定；
所述拓扑缓存中的拓扑结构信息由所述训练控制模块在每一轮训练开始前生成，所述拓扑缓存中的拓扑结构信息标志了各个所述节点进行聚合的先后顺序。
6.如权利要求5所述的基于区块链的联邦学习方法，其特征在于，所述节点在所述训练控制模块的通知下沿着先后顺序依次对加密信息进行累加；每个所述节点均承担聚合的任务，所有所述节点的聚合合起来是基于区块链的联邦学习***的聚合信息。
7.如权利要求6所述的基于区块链的联邦学习方法，其特征在于，在每一轮训练开始前，所述训练控制模块选择随机一个所述节点，将所述节点作为本轮随机生成的拓扑结构的最后一个节点，用于对所述聚合信息进行解密并更新全局模型；若选择的所述节点在本轮训练开始前出现故障，则所述训练控制模块重新选择一个所述节点；若选择的所述节点在本轮全局模型更新时出现故障，则所述训练控制模块通知所有节点将所述训练模型回滚至本轮训练开始前的状态，再重新随机选择一个所述节点。
8.如权利要求7所述的基于区块链的联邦学习方法，其特征在于，在每一轮训练过程中，若所述节点发生故障，所述训练控制模块会跳过故障节点，由所述故障节点的直接后继节点继续进行聚合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911285920.1A CN111212110B (zh) | 2019-12-13 | 2019-12-13 | 一种基于区块链的联邦学习***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911285920.1A CN111212110B (zh) | 2019-12-13 | 2019-12-13 | 一种基于区块链的联邦学习***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111212110A CN111212110A (zh) | 2020-05-29 |
| CN111212110B true CN111212110B (zh) | 2022-06-03 |
Family
ID=70787048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911285920.1A Active CN111212110B (zh) | 2019-12-13 | 2019-12-13 | 一种基于区块链的联邦学习***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111212110B (zh) |
Families Citing this family (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652382B (zh) * | 2020-06-04 | 2021-08-06 | 深圳前海微众银行股份有限公司 | 基于区块链的数据处理方法、装置、设备及存储介质 |
| CN111698322B (zh) * | 2020-06-11 | 2023-05-02 | 福州数据技术研究院有限公司 | 一种基于区块链和联邦学习的医疗数据安全共享方法 |
| CN111539731A (zh) * | 2020-06-19 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于区块链的联邦学习方法及装置和电子设备 |
| CN111859465A (zh) * | 2020-06-29 | 2020-10-30 | 交控科技股份有限公司 | 基于区块链的轨道交通分布式智能运维***及其运行方法 |
| CN111814985B (zh) * | 2020-06-30 | 2023-08-29 | 平安科技（深圳）有限公司 | 联邦学习网络下的模型训练方法及其相关设备 |
| CN111552986B (zh) * | 2020-07-10 | 2020-11-13 | 鹏城实验室 | 基于区块链的联邦建模方法、装置、设备及存储介质 |
| CN111967610B (zh) * | 2020-08-18 | 2024-02-23 | 中国银行股份有限公司 | 基于区块链的联邦学习激励方法、装置、设备及存储介质 |
| CN112232527B (zh) * | 2020-09-21 | 2024-01-23 | 北京邮电大学 | 安全的分布式联邦深度学习方法 |
| CN111914038B (zh) * | 2020-09-21 | 2024-04-16 | 北京百度网讯科技有限公司 | 联邦计算方法、装置、设备及存储介质 |
| CN112182102A (zh) * | 2020-09-23 | 2021-01-05 | 西安纸贵互联网科技有限公司 | 联邦学习中数据的处理方法、装置、电子设备及存储介质 |
| JP7276298B2 (ja) * | 2020-10-09 | 2023-05-18 | トヨタ自動車株式会社 | モデル学習システム、車両の制御装置及びモデル学習方法 |
| CN112183764A (zh) * | 2020-10-12 | 2021-01-05 | 中国石油大学(华东) | 一种基于区块链和联邦学习的物联网设备故障检测方法 |
| CN112307331B (zh) * | 2020-10-14 | 2023-11-24 | 湖南天河国云科技有限公司 | 一种基于区块链高校毕业生智能招聘信息推送方法、***及终端设备 |
| CN112651592B (zh) * | 2020-11-27 | 2022-05-06 | 科技谷（厦门）信息技术有限公司 | 一种基于多式联运的企业信用评估*** |
| CN112560088B (zh) * | 2020-12-11 | 2024-05-28 | 同盾控股有限公司 | 基于知识联邦的数据安全交换方法、装置及存储介质 |
| CN112671746B (zh) * | 2020-12-17 | 2022-04-29 | 杭州趣链科技有限公司 | 一种基于区块链的联邦学习模型中毒检测方法 |
| CN112769766B (zh) * | 2020-12-23 | 2023-03-24 | 广东电网有限责任公司梅州供电局 | 基于联邦学习的电力边缘物联网数据安全聚合方法和*** |
| CN112487103B (zh) * | 2020-12-25 | 2023-06-06 | 昆明理工大学 | 一种基于区块链智能合约的深度学习数据集可信共享*** |
| CN112765677B (zh) * | 2020-12-30 | 2024-01-23 | 杭州溪塔科技有限公司 | 一种基于区块链的联邦学习方法、装置和*** |
| CN112863175B (zh) * | 2020-12-31 | 2022-11-22 | 平安科技（深圳）有限公司 | 汽车道路监测数据处理方法、装置、设备及存储介质 |
| CN113052331A (zh) * | 2021-02-19 | 2021-06-29 | 北京航空航天大学 | 一种基于区块链的物联网个性化联邦学习方法 |
| CN112990276B (zh) * | 2021-02-20 | 2023-07-21 | 平安科技（深圳）有限公司 | 基于自组织集群的联邦学习方法、装置、设备及存储介质 |
| CN112860800A (zh) * | 2021-02-22 | 2021-05-28 | 深圳市星网储区块链有限公司 | 基于区块链和联邦学习的可信网络应用方法和装置 |
| US11755954B2 (en) | 2021-03-11 | 2023-09-12 | International Business Machines Corporation | Scheduled federated learning for enhanced search |
| CN113011598B (zh) * | 2021-03-17 | 2023-06-02 | 深圳技术大学 | 一种基于区块链的金融数据信息联邦迁移学习方法及装置 |
| CN113159279B (zh) * | 2021-03-18 | 2023-06-23 | 中国地质大学（北京） | 基于神经网络与深度学习的跨域知识协助方法与*** |
| CN113111124B (zh) * | 2021-03-24 | 2021-11-26 | 广州大学 | 一种基于区块链的联邦学习数据审计***及方法 |
| CN112733967B (zh) * | 2021-03-30 | 2021-06-29 | 腾讯科技（深圳）有限公司 | 联邦学习的模型训练方法、装置、设备及存储介质 |
| CN112801307B (zh) * | 2021-04-13 | 2021-07-06 | 深圳索信达数据技术有限公司 | 基于区块链的联邦学习方法、装置和计算机设备 |
| CN113194126B (zh) * | 2021-04-21 | 2023-10-27 | 泉州华中科技大学智能制造研究院 | 一种基于区块链的横向联邦学习模型构建方法 |
| WO2022222152A1 (zh) * | 2021-04-23 | 2022-10-27 | Oppo广东移动通信有限公司 | 联邦学习方法、联邦学习***、第一设备和第三设备 |
| CN113344221A (zh) * | 2021-05-10 | 2021-09-03 | 上海大学 | 一种基于神经网络架构搜索的联邦学习方法及*** |
| CN113191503B (zh) * | 2021-05-20 | 2023-06-09 | 清华大学深圳国际研究生院 | 一种非共享数据的去中心化的分布式学习方法及*** |
| CN113326947B (zh) * | 2021-05-28 | 2023-06-16 | 山东师范大学 | 一种联合学习模型训练方法及*** |
| CN113283778B (zh) * | 2021-06-09 | 2023-08-01 | 哈尔滨工程大学 | 一种基于安全性评价的分层汇聚联邦学习方法 |
| CN113408746B (zh) * | 2021-06-22 | 2023-03-14 | 深圳大学 | 一种基于区块链的分布式联邦学习方法、装置及终端设备 |
| CN113469371B (zh) * | 2021-07-01 | 2023-05-02 | 建信金融科技有限责任公司 | 联邦学习方法和装置 |
| CN113645197B (zh) * | 2021-07-20 | 2022-04-29 | 华中科技大学 | 一种去中心化的联邦学习方法、装置及*** |
| CN113364589B (zh) * | 2021-08-10 | 2021-11-02 | 深圳致星科技有限公司 | 用于联邦学习安全审计的密钥管理***、方法及存储介质 |
| CN113609508B (zh) * | 2021-08-24 | 2023-09-26 | 上海点融信息科技有限责任公司 | 一种基于区块链的联邦学习方法、装置、设备及存储介质 |
| CN113988318A (zh) * | 2021-10-21 | 2022-01-28 | 北京天融信网络安全技术有限公司 | 联邦学习方法、装置、电子设备和介质 |
| KR20230094891A (ko) * | 2021-12-21 | 2023-06-28 | 경희대학교 산학협력단 | 연합 학습 시스템 및 그 동작 방법 |
| CN114338144B (zh) * | 2021-12-27 | 2024-07-19 | 杭州趣链科技有限公司 | 数据防泄露的方法、电子设备和计算机可读存储介质 |
| CN115190028B (zh) * | 2022-06-16 | 2024-05-14 | 华中科技大学 | 基于局域通信网络的去中心化联邦学习方法、装置和*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490330A (zh) * | 2019-08-16 | 2019-11-22 | 安徽航天信息有限公司 | 一种基于区块链的分布式机器学习*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109716346A (zh) * | 2016-07-18 | 2019-05-03 | 河谷生物组学有限责任公司 | 分布式机器学习***、装置和方法 |
| US20190303790A1 (en) * | 2018-03-27 | 2019-10-03 | Oben, Inc. | Proof of work based on training of machine learning models for blockchain networks |
| US11063759B2 (en) * | 2018-04-27 | 2021-07-13 | The University Of Akron | Blockchain-empowered crowdsourced computing system |
| US20190370634A1 (en) * | 2018-06-01 | 2019-12-05 | International Business Machines Corporation | Data platform to protect security of data used by machine learning models supported by blockchain |
| CN110472745B (zh) * | 2019-08-06 | 2021-04-27 | 深圳前海微众银行股份有限公司 | 一种联邦学习中的信息传输方法及装置 |
-
2019
- 2019-12-13 CN CN201911285920.1A patent/CN111212110B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490330A (zh) * | 2019-08-16 | 2019-11-22 | 安徽航天信息有限公司 | 一种基于区块链的分布式机器学习*** |
Non-Patent Citations (1)
| Title |
|---|
| AI与数据隐私保护：联邦学习的破解之道;杨强;《信息安全研究》;20191130;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111212110A (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111212110B (zh) | 一种基于区块链的联邦学习***及方法 | |
| CN111209334B (zh) | 基于区块链的电力终端数据安全管理方法 | |
| US11102185B2 (en) | Blockchain-based service data encryption methods and apparatuses | |
| CN102625939B (zh) | 用于管理电子资产的***和方法 | |
| CN108650328B (zh) | 一种云服务平台中数据信息记录与存储的区块链*** | |
| CN102696045B (zh) | 用于执行设备的顺序化的***和方法 | |
| CN106982203A (zh) | 基于区块链技术的鲁棒的atm网络***及其信息处理方法 | |
| CN107203344A (zh) | 一种数据存储方法及数据存储*** | |
| CN102648471A (zh) | 用于基于硬件的安全的***和方法 | |
| US20140211939A1 (en) | Zero Configuration of Security for Smart Meters | |
| CN109547488A (zh) | 一种基于联盟区块链的可信数据计算及交换*** | |
| CN114500111B (zh) | 基于多平台的自动工程审价审计数据处理方法及*** | |
| CN113469716A (zh) | 一种基于区块链与标识解析的产品追溯方法及*** | |
| CN110035058B (zh) | 资源请求方法、设备及存储介质 | |
| CN102710668A (zh) | 一种适于云存储的数据隐私性保障方法 | |
| CN110191153A (zh) | 基于区块链的社交通信方法 | |
| CN110866261A (zh) | 基于区块链的数据处理方法、装置及存储介质 | |
| WO2019129842A1 (fr) | Procédé et système d'activation cryptographique d'une pluralité d'équipements | |
| CN109858272A (zh) | 基于区块链的黑名单数据处理*** | |
| CN113704353B (zh) | 一种融合信息链和隐私链的区块链征信方法 | |
| CN115953244A (zh) | 基于区块链的交易监管方法、装置、电子设备和存储介质 | |
| CN113556393B (zh) | 一种基于区块链的多式联运数据交换***及方法 | |
| CN113988318A (zh) | 联邦学习方法、装置、电子设备和介质 | |
| CN109873828A (zh) | 资源管理方法、装置、设备和存储介质 | |
| CN109509007A (zh) | 产品防伪电子标签及电子标签认证方法和*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |