CN112685783A - 金融许可区块链中支持隐私保护的数据共享方法 - Google Patents

Abstract

本发明公开了一种金融许可区块链中支持隐私保护的数据共享方法。其实现方案为：建立金融许可区块链；在金融许可区块链中筛选客户重合的银行组成一个数据共享小组，该小组中的各银行通过本地训练和局部数据共享，以准备自己的本地模型，并分别共享出自己加密后的本地模型，再由聚合服务器对其进行聚合得到全局模型，保存到金融许可区块链中；数据共享小组中的各银行分别从金融许可区块链中获取全局模型，用其更新自己的本地模型后继续对更新后的本地模型进行训练，直到精度满足要求。本发明具有数据隐私性好，身份隐私严，共享过程中数据有效性强，隐私数据参与运算灵活性高的优点，可用于在金融行业中由各银行组成的许可区块链中进行数据共享。

Description

金融许可区块链中支持隐私保护的数据共享方法

技术领域

本发明属于信息安全技术领域，特别涉及一种数据共享方法，可用于在金融行业中由各银行组成的许可区块链中进行数据共享。

背景技术

信息时代的兴起和大数据，区块链等信息技术的应用对传统银行造成巨大的冲击，同时也为银行的发展带来新的机遇和发展。目前，我国已经形成以大型国有商业银行占主导地位，股份制银行和城市商业银行共同发展的一个局面。每家银行都有多个不同的客户，每个客户也可能同时与多家银行进行交易。因此，客户在一家银行的数据可能是部分和不完整的。如果能将分布在不同银行的数据进行合并，各家银行都能获得全面的信息，从而可以更好地开展业务，提高服务质量，比如更精准的推荐理财产品、更完善的建立个人信用记录等。然而，2018年欧盟发布通用数据保护条例GDPR后，出于隐私和安全考虑，这种直接合并跨企业的数据被认为是违法的，尤其是对于一些隐私敏感的行业来说。因此，如何在保证各银行数据机密性的前提下对银行数据进行合并，从而达到提高服务质量的目的是一个需要解决的问题。

基于同态加密的联邦学习非常适合用于分布式银行之间进行机密数据的共享。联邦学习是Google在2016年提出的，旨在通过分布式机器学习，用局部模型参数代替原始数据来训练一个全局模型。同态加密是多方计算MPC的一个强大工具，与一般的加密算法相比，同态加密除了能实现基本的加密操作之外，还能实现密文间的多种计算功能，即先计算后解密的结果和直接解密后进行计算结果相同。这个特性使它对于信息安全有着重要意义。基于同态加密的联邦学习可以实现在各个参与方不知道其他参与方数据的情况下进行全局模型的训练，目前已被广泛应用于机密数据的共享过程。

Truex提出一种将差分隐私和同态加密进行结合的联邦学习方案，其中同态加密可以保证信息交换过程中不会泄露参与者的隐私，差分隐私可有效保证***的精确性。

Yang等人提出在根据不同数据提供者的数据构建模型的过程中，可以利用同态加密算法保证数据的隐私，同时利用拟牛顿法来减少数据交换过程中的通信轮次。

Hao等人将同态加密和差分隐私进行结合，提出了一种基于梯度下降法的隐私保护联邦学习协议，其中也使用了同态加密算法保证数据所有者的隐私。

上述这些基于同态加密的联邦学习方案由于都是基于加性同态加密算法构建的，因而数据共享过程中隐私数据参与运算的局限性比较大，且不能保证数据共享过程中数据的有效性。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种金融许可区块链中支持隐私保护的数据共享方法，以提高数据共享过程中隐私数据参与运算的灵活性，并保证共享过程中数据的有效性，实现安全可靠的隐私数据共享。

本发明的技术方案是：将许可区块链、基于多密钥的多方计算协议和匿名机制集成到联邦学习中；在许可区块链中将每一个银行先生成一个假名隐藏真实的身份，再由每个银行对数据进行同态加密后发送给聚合服务器AS；聚合服务器将密文聚合起来后得到新的模型，并将这个模型广播给许可区块链中的所有银行；各银行收到数据之后利用密文进行计算训练新的模型，从而实现对隐私数据的共享，其具体实现步骤包括如下：

(1)建立金融许可区块链：

(1a)初始化：初始化过程包含许可区块链初始化和银行初始化两个阶段；

在许可区块链初始化阶段，可信机构TA首先根据给定的安全参数k，选择一个阶数为q加性循环群G，一个随机生成器p和4个安全的哈希函数H₁,H₂,H₃,H₄，再在集合

上随机选择一个整数a作为主密钥，计算相应的主公钥PK＝ap，并保存主密钥a，同时发布一个***通用参数GP＝{p,q,PK,G,H₁,H₂,H₃,H₄}；

在银行初始化阶段，各银行根据给定的安全参数λ和递归深度d，在集合

上选择格参数n，加密轮次B_χ，错误分布参数χ，随机采样值ω和迭代矩阵

并输出***参数BP；

(1b)每个银行P_i在加入金融许可区块链之前在TA处进行注册，得到一个有效期为TS_i的假名PID_i以及完整的公钥PK_i和私钥SK_i，将私钥SK_i保存到本地，并将公钥PK_i和假名PID_i记录在区块链中；

(2)通过数据检索过程筛选参与数据共享的银行，形成一个数据共享小组：

(2a)银行P_R向金融许可区块链发送一个包括P_R的客户R＝{r₁,…,r_nn}、假名PID_R和签名Sig_R的检索数据请求，其中，nn表示银行P_R拥有的客户的数量；

(2b)许可区块链中的其他银行收到请求后，验证假名有效期TS_R和签名Sig_R是否有效，并将验证有效的请求中的客户R与本地用户进行对比：

如果存在重合的用户，则该银行加入共享小组参与数据共享过程，执行(3)；

如果不存在重合的用户，则结束该过程；

(3)各银行通过本地训练和局部数据共享训练本地模型：

(3a)共享小组中的所有银行分别用机器学习算法MBGD训练自己的本地数据，得到自己的本地模型；

(3b)共享小组中的第i个银行P_i将自己训练过程中的梯度参数共享给共享小组中的第j个银行P_j，由P_j对自己的本地模型w_j进行训练；

(4)共享小组中的所有银行分别上传自己经过训练后的本地模型，再由聚合服务器对这些本地模型进行聚合得到全局模型，并保存到金融许可区块链中，完成所有银行的数据共享过程；

(5)共享小组中的各银行使用全局模型对自己的本地模型进行训练，直到本地模型收敛或精度达到指定的要求。

本发明与现有技术相比具有以下优点：

1)数据隐私性好

本发明中数据共享小组中的每个银行把自己的本地模型上传到金融许可区块链之前，都用全同态加密算法进行加密，由聚合服务器对这些加密后的本地模型进行聚合后，再对数据进行解密得到全局模型，并利用其训练自己的本地模型。在这个过程中，由于共享小组中的每个银行都不能直接获取到其他银行的本地模型，从而保证了共享过程中数据的隐私。

2)身份隐私严

本发明***中由于每个银行P_i都被分配了一个假名PID_i，因而在数据共享过程中，其他银行并不知道银行P_i的真实身份信息，从而更加严格地保护了共享过程各参与者的身份隐私。

3)共享过程中数据的有效性强

本发明在数据共享过程中，所有被共享的数据被记录在金融许可区块链的区块中，由于区块链本身采用了链式存储结构，其中保存的数据是很难修改的，因此，本发明可以保证共享过程中数据的有效性。

4)本发明由于在共享过程中采用的两轮多方安全计算协议是基于全同态加密算法实现的，其不仅具有加法同态，而且具有乘法同态，相比现有采用加法同态加密算法的方案，本发明在对加密后的本地模型进行聚合时，可以进行更灵活的运算，如加入贡献参数或加权系数等，从而可以计算出精度更高的全局模型。

附图说明

图1是本发明的实现总流程图；

图2是本发明中银行注册的子流程图；

图3是本发明中建立数据共享小组的子流程图；

图4是本发明中本地训练的子流程图；

图5是本发明中局部数据共享的子流程图；

图6是本发明中全局数据共享的子流程图；

图7是本发明中数据下载的子流程图。

具体实施方式

下面结合附图对本发明实施例做进一步详细描述。

参照图1，本发明的具体步骤如下：

步骤1，建立金融许可区块链。

(1.1)初始化：

初始化包含金融许可区块链初始化和银行初始化两个阶段，其中：

在金融许可区块链初始化阶段，可信机构TA首先根据给定的安全参数k，选择一个阶数为q加性循环群G，一个随机生成器p和4个安全的哈希函数：H₁:G→{0,1}^*，H₂:{0,1}^*→{0,1}^*,

再在集合

上随机选择一个整数a作为主密钥，计算相应的主公钥PK＝ap，并保存主密钥a，同时发布一个***通用参数GP＝{p,q,PK,G,H₁,H₂,H₃,H₄}；

在银行初始化阶段，各银行根据给定的安全参数λ和递归深度d，在集合

上选择格参数n，加密轮次B_χ，错误分布参数χ，随机采样值ω和迭代矩阵

并输出***参数BP＝(r,n,m,χ,B_χ,B)，其中，r＝B_χ2^ω(dλlogλ)为模数，m＝nlog(r)+ω(logλ)为迭代矩阵列数；

(1.2)银行注册：

每个银行P_i在加入金融许可区块链之前在可信机构TA处进行注册。

参照图2，本步骤的具体实现如下：

(1.2.1)银行P_i在集合

中随机选择一个元素x_i作为部分密钥，计算部分公钥Y_i＝x_ip和临时身份

并向可信机构TA发送一个注册请求R_i＝(TID_i,Y_i)，其中ID_i是银行P_i的真实身份；

(1.2.2)收到银行P_i的注册请求R_i后，可信机构TA先恢复出银行的真实身份

并在集合

中随机选择一个整数v_i用于计算P_i的部分公钥U_i＝v_ip，再为P_i分发一个有效期为TS_i的假名PID_i＝(p_i,TS_i)，同时计算哈希值l_i＝H₃(PID_i,U_i,Y_i)，部分密钥d_i＝a+l_iv_i和辅助参数

并将辅助参数t_i、部分公钥U_i和假名有效期TS_i一起发送给P_i，其中匿名参数

(1.2.3)银行P_i收到可信机构TA发送过来的元组(U_i,TS_i,t_i)后，首先计算匿名参数

得到自己的假名PID_i＝(p_i,TS_i)，随后计算部分密钥

和哈希值l_i＝H₃(PID_i,U_i,Y_i)，并验证等式d_ip＝PK+l_iU_i是否成立：

如果等式不成立，则算法中止；

如果等式成立，则P_i计算完整的公钥PK_i＝Y_i+l_iU_i和私钥SK_i＝(x_i,d_i)，广播PK_i，并将SK_i存储在本地；

(1.2.4)金融许可区块链中的其他所有银行将银行P_i的公钥PK_i，假名PID_i和假名有效期TS_i保存到本地区块中；

通过上述初始化和银行注册建立起金融许可区块链。

步骤2，建立数据共享小组。

参照图3，本步骤的具体实现如下：

(2.1)银行P_R首先建立一个只包含自己的数据共享小组，再从集合

中随机选择一个整数s，对自己的客户R＝{r₁,…,r_nn}进行{S,Sig}签名，并向金融许可区块链发送一个包括P_R的客户R、假名PID_R和签名{S,Sig}的检索数据请求，其中S＝sp，Sig_R＝s/[h(x_R+d_R)]，h＝H₄(PID_R,R)，nn表示银行P_R拥有的客户的数量,(x_R,d_R)是银行P_R的私钥；

(2.2)金融许可区块链中的其他银行收到请求后，先验证当前时间是否在假名有效期TS_R内：如果不是，则直接结束该算法，否则，从金融许可区块链中获取银行P_R的公钥PK_R，计算h＝H₄(PID_R,R)；

(2.3)金融许可区块链中的其他银行根据等式hSig_R(PK_R+PK)＝S验证签名的有效性：如果等式不成立，则说明签名无效，该银行直接结束该算法；否则，执行(2.4)；

(2.4)金融许可区块链中的其他银行将请求中P_R的客户R与自己的本地客户进行对比：

如果金融许可区块链中其他银行的本地客户与P_R的客户R中存在重合的客户，则该银行加入银行P_R建立的数据共享小组参与数据共享过程，完成数据共享小组的建立，执行步骤3；

否则，结束该过程。

步骤3，本地模型准备。

数据共享小组中的各银行在参与全局数据共享之前，先通过本地训练和局部数据共享准备自己的本地模型。

(3.1)共享小组中的所有银行分别用机器学习算法MBGD训练自己的本地数据，得到自己的本地模型：

参照图4，本步骤的具体实现如下：

(3.1.1)数据共享小组中的第i个银行P_i从金融许可区块链中获取最新的全局模型作为本地模型的初始值

设

为P_i的本地用户数据，其中

为用户特征，y^(j)为数据值，cn为用户数据的数量；

(3.1.2)银行P_i从本地数据中随机选择k个数据作为训练样本；

(3.1.3)银行P_i根据这k个训练样本求出本次批量下降的梯度值：

其中，

是一个和本地模型

有关的预测函数；

(3.1.4)银行P_i用梯度值

对本地模型值进行更新，得到新的本地模型值

其中α为学习参数；

(3.2)共享小组中的第i个银行P_i将自己训练过程中的梯度参数共享给共享小组中的第j个银行P_j，由P_j对自己的本地模型w_j进行训练：

参照图5，本步骤的具体实现如下：

(3.2.1)共享小组中的第i个银行P_i先从金融许可区块链中获取共享小组中第j个银行P_j的公钥PK_j和假名PID_j，再从集合

中随机选择一个整数s_i对自己的梯度参数g_i先加密再对加密结果进行签名，得到的密文C、签名{S_i,Sig_i}，并将该密文C、签名和时间戳T_i，一起发送给P_j，其中，

J＝r_i(PK_j+PK)，S_i＝r_ip，Sig_i＝s_i/[h_i(x_i+d_i)]，h_i＝H₄(PID_i,C,PK_i,T_i)；

(3.2.2)共享小组中的第j个银行P_j从金融许可区块链中获取第i个银行P_i的公钥PK_i和假名PID_i，用于计算h_i＝H₄(PID_i,C,PK_i,T_i)，并验证等式h_iSig_i(PK_i+PK)＝S_i是否成立：

如果等式不成立，则P_j拒绝接受密文C；

如果等式成立，则P_j计算J＝S_i(x_j+d_j)，并恢复出第i个银行的梯度参数

再将其与自己的梯度参数取平均后作为新的梯度参数，使用机器学习算法MBGD继续训练自己的本地模型w_j。

步骤4，全局数据共享。

共享小组中的所有银行分别上传自己经过训练后的本地模型，再由聚合服务器对这些本地模型进行聚合得到全局模型，并保存到金融许可区块链中，完成所有银行的全局数据共享过程。

参照图6，本步骤的具体实现如下：

(4.1)共享小组中的每个银行分别调用全同态加密算法MFHE中的加密运算Encrypt对自己的经过训练的本地模型w进行加密生成密文cw，并计算该本地模型的均方误差MSE(w)，发送给金融许可区块链：

其中，

表示该银行的本地数据在自己的本地模型下的预测值，y_i表示该银行本地数据的实际值，dn表示该银行拥有的本地数据的数量；

(4.2)共享小组中的所有银行共同选出一个本地模型均方误差最小的银行，作为负责生成区块的领导银行；

(4.3)领导银行生成一个候选块：B_k＝<H_k,t_w,M>，并将其广播给小组中的其他银行以供验证，其中H_k是头信息，t_w是记录共享小组中所有银行加密后的本地模型的交易，M是共享小组中所有银行本地模型均方误差的集合；

(4.4)共享小组中的其他银行分别计算共享小组中所有本地模型总的均方误差MSE(M)：

其中，

表示共享小组中第j个银行P_j对全局模型的贡献参数，d_j是共享小组中第j个银行P_j的本地数据数量，N是共享小组中银行的数量；

(4.5)共享小组中的其他银行分别验证共享小组中每个银行本地模型的均方误差MSE(w_i)和所有本地模型总的均方误差MSE(M)是否在事先约定的范围内：如果不在，结束这一过程；否则，向领导银行发送一个确认消息；

(4.6)领导银行收到共享小组中其他所有银行的确认消息后，将候选块B_k打包成新的区块并保存到金融许可区块链中；

(4.7)聚合服务器AS从金融许可区块链中获取共享小组中所有银行被加密后的本地模型{cw_i}_i∈N，并依次调用全同态加密算法MFHE中的扩展运算Expand将每一个密文cw_i都扩展成多密钥形式的密文

其中N表示共享小组中银行的个数；

(4.8)聚合服务器AS调用MFHE中的求值运算Eval对所有多密钥形式的密文

进行加权平均，得到密文形式的全局模型CM，并将其存储到金融许可区块链中：

其中,CM计算公式中的加法运算是通过Eval.add算法实现的，乘法运算是通过Eval.mul算法实现的，

表示共享小组中第i个银行P_i在共享小组中的贡献参数，d_i是共享小组中第i个银行P_i的本地数据数量。

步骤5，数据下载。

共享小组中的各银行分别从金融许可区块链中获取全局模型，并对自己的本地模型进行训练，直到本地模型收敛或精度达到指定的要求。

参照图7，本步骤的具体实现如下：

(5.1)共享小组中的每个银行分别从金融许可区块链中下载密文形式的全局模型CM，再调用全同态加密算法MFHE中的部分解密运算PartDec对CM进行部分解密，得到部分密文m，并广播；

(5.2)共享小组中的第i个银行P_i收到共享小组中的其他所有银行广播的部分密文{m_j}_j∈[N]后，调用全同态加密算法MFHE中的最终解密运算FinDec对其进行解密，恢复出全局模型M，其中，m_j表示共享小组中第j个银行P_j计算的部分密文，N表示共享小组中银行的个数；

(5.3)共享小组中的每个银行分别使用全局模型M更新自己的本地模型，并根据自己的本地数据，用机器学习算法MBGD训练更新后的本地模型，直到该模型收敛或精度达到指定的要求，完成数据共享过程。

上述描述仅是本发明的一个具体实例，并不构成本发明的任何限制，显然，对于本领域的专业人员来说，在了解本发明的原理和内容后，都可以在不背离本发明的原理和内容的情况下，对本发明的形式和细节上作出各种修正和改变，但这些基于本发明的内容和原理的修正和改变仍在本发明的权利要求保护范围之内。

Claims (8)

1.一种金融许可区块链中支持隐私保护的数据共享方法，其特征在于：

(1)建立金融许可区块链：

(1a)初始化：初始化过程包含许可区块链初始化和银行初始化两个阶段；

在许可区块链初始化阶段，可信机构TA首先根据给定的安全参数k，选择一个阶数为q加性循环群G，一个随机生成器p和4个安全的哈希函数H₁,H₂,H₃,H₄，再在集合

上随机选择一个整数a作为主密钥，计算相应的主公钥PK＝ap，并保存主密钥a，同时发布一个***通用参数GP＝{p,q,PK,G,H₁,H₂,H₃,H₄}；

在银行初始化阶段，各银行根据给定的安全参数λ和递归深度d，在集合

上选择格参数n，加密轮次B_χ，错误分布参数χ，随机采样值ω和迭代矩阵

并输出***参数BP；

(1b)每个银行P_i在加入金融许可区块链之前在TA处进行注册，得到一个有效期为TS_i的假名PID_i以及完整的公钥PK_i和私钥SK_i，将私钥SK_i保存到本地，并将公钥PK_i和假名PID_i记录在区块链中；

(2)通过数据检索过程筛选参与数据共享的银行，形成一个数据共享小组：

(2a)银行P_R向金融许可区块链发送一个包括P_R的客户R＝{r₁,…,r_nn}、假名PID_R和签名Sig_R的检索数据请求，其中，nn表示银行P_R拥有的客户的数量；

(2b)许可区块链中的其他银行收到请求后，验证假名有效期TS_R和签名Sig_R是否有效，并将验证有效的请求中的客户R与本地用户进行对比：

如果存在重合的用户，则该银行加入共享小组参与数据共享过程，执行(3)；

如果不存在重合的用户，则结束该过程；

(3)各银行通过本地训练和局部数据共享训练本地模型：

(3a)共享小组中的所有银行分别用机器学习算法MBGD训练自己的本地数据，得到自己的本地模型w；

(3b)共享小组中的第i个银行P_i将自己训练过程中的梯度参数共享给共享小组中的第j个银行P_j，由P_j对自己的本地模型w_j进行训练；

(4)共享小组中的所有银行分别上传自己经过训练后的本地模型，再由聚合服务器对这些本地模型进行聚合得到全局模型，并保存到金融许可区块链中，完成所有银行的数据共享过程；

(5)共享小组中的各银行使用全局模型对自己的本地模型进行训练，直到本地模型收敛或精度达到指定的要求。

2.根据权利要求1所述的金融许可区块链中支持隐私保护的数据共享方法，其特征在于，其中步骤(1a)中银行在初始化阶段输出的***参数BP，表示如下；

BP＝(r,n,m,χ,B_χ,B)，

其中，r＝B_χ2^ω(dλlogλ)为模数，m＝nlog(r)+ω(logλ)为迭代矩阵列数。

3.根据权利要求1所述的方法，其特征在于，其中(1b)中每个银行P_i在加入金融许可区块链之前在TA处进行注册，实现如下：

(1b1)银行P_i在集合

中随机选择一个元素x_i作为部分密钥，计算部分公钥Y_i＝x_ip和临时身份

并向可信机构TA发送一个注册请求R_i＝(TID_i,Y_i)，其中ID_i是银行P_i的真实身份；

(1b2)收到银行P_i的注册请求R_i后，可信机构TA先恢复出银行的真实身份

并在集合

中随机选择一个整数v_i用于计算P_i的部分公钥U_i＝v_ip，再为P_i分发一个有效期为TS_i的假名PID_i＝(p_i,TS_i)，同时计算哈希值l_i＝H₃(PID_i,U_i,Y_i)，部分密钥d_i＝a+l_iv_i和辅助参数

并将辅助参数t_i、部分公钥U_i和假名有效期TS_i一起发送给P_i，其中匿名参数

(1b3)银行P_i收到TA发送过来的元组(U_i,TS_i,t_i)后，首先计算匿名参数

得到自己的假名PID_i＝(p_i,TS_i)，随后计算部分密钥

和哈希值l_i＝H₃(PID_i,U_i,Y_i)，并验证等式d_ip＝PK+l_iU_i是否成立：

如果等式不成立，则算法中止；

如果等式成立，则P_i计算完整的公钥PK_i＝Y_i+l_iU_i和私钥SK_i＝(x_i,d_i)，广播PK_i，并将SK_i存储在本地；

(1b4)金融许可区块链中的其他所有银行将银行P_i的公钥PK_i，假名PID_i和假名有效期TS_i保存到本地区块中。

4.根据权利要求1所述的方法，其特征在于，其中(3a)中共享小组中的所有银行分别用机器学习算法MBGD训练自己的本地数据，实现如下：

(3a1)数据共享小组中的第i个银行P_i从金融许可区块链中获取最新的全局模型作为本地模型的初始值

设

是P_i的本地用户数据，其中

为用户特征，y^(j)为数据值，cn为用户数据的数量；

(3a2)银行P_i从本地数据中随机选择k个数据作为训练样本；

(3a3)银行P_i根据这k个训练样本求出本次批量下降的梯度值：

其中，

是一个和本地模型

有关的预测函数；

(3a4)银行P_i用梯度值

对模型值进行更新，得到新的本地模型值

其中α为学习参数。

5.根据权利要求1所述的方法，其特征在于，其中(3b)中共享小组中的第i个银行P_i将自己训练过程中的梯度参数共享给共享小组中的第j个银行P_j，由P_j对自己的本地模型w_j进行训练，实现如下：

(3b1)共享小组中的第i个银行P_i先从金融许可区块链中获取共享小组中第j个银行P_j的公钥PK_j和假名PID_j，再从集合

中随机选择一个整数s_i对自己梯度参数g_i进行加密，得到密文

并对该密文进行签名后把密文C、签名{S_i,Sig_i}和时间戳T_i一起发送给P_j，其中J＝s_i(PK_j+PK)，S_i＝s_ip，Sig_i＝s_i/[h_i(x_i+d_i)]h_i＝H₄(PID_i,C,PK_i,T_i)，(x_i,d_i)是银行P_i的私钥，TS_j是假名PID_j的有效期；

(3b2)共享小组中的第j个银行P_j从金融许可区块链中获取银行P_i的公钥PK_i和假名PID_i用于计算h_i＝H₄(PID_i,C,PK_i,T_i)，并验证等式h_iSig_i(PK_i+PK)＝R_i是否成立：

如果等式不成立，P_j拒绝接受密文C；

如果等式成立，P_j计算J＝S_i(x_j+d_j)并恢复出第i个银行的梯度参数

将其和自己的梯度参数取平均后作为新的梯度参数，使用机器学习算法MBGD训练自己的本地模型w_j。

6.根据权利要求1所述的方法，其特征在于，其中(4)中共享小组中的所有银行分别上传自己经过训练后的本地模型，实现如下：

(4a)共享小组中的每个银行分别调用全同态加密算法MFHE中的加密运算Encrypt对自己经过训练的本地模型w进行加密生成密文cw，并计算该本地模型的均方误差

然后发送给金融许可区块链，其中，

表示该银行的本地数据在自己的本地模型w下的预测值，y_i表示该银行本地数据的实际值，dn表示该银行拥有的本地数据的数量；

(4b)共享小组中的所有银行共同选出一个本地模型均方误差最小的银行，作为负责生成区块的领导银行；

(4c)领导银行生成一个候选块B_k＝<H_k,t_w,M>，并将其广播给小组中的其他银行以供验证，其中H_k是头信息，t_w是记录共享小组中所有银行加密后的本地模型的交易，M是共享小组中所有银行的本地模型均方误差的集合；

(4d)共享小组中的其他银行先计算共享小组中所有银行本地模型总的均方误差MSE(M)：

其中，

表示共享小组中第j个银行P_j对全局模型的贡献参数，d_j是共享小组中第j个银行P_j的本地数据尺寸，N是共享小组中银行的数量；

(4e)共享小组中的其他银行验证每个银行本地模型的均方误差MSE(w_i)和所有本地模型总的均方误差MSE(M)是否在事先约定的范围内：如果不在，结束这一过程；否则，向领导银行发送一个确认消息；

(4f)领导银行收到共享小组中其他所有银行的确认消息后，将候选块B_k打包成新的区块并保存到金融许可区块链中。

7.根据权利要求1所述的方法，其特征在于，(4)中聚合服务器对这些本地模型进行聚合得到全局模型，实现如下：

(4g)聚合服务器AS从金融许可区块链中获取共享小组中所有银行被加密后的本地模型{cw_i}_i∈N，并依次调用全同态加密算法MFHE中的扩展运算Expand将每一个密文cw_i都扩展成多密钥形式的密文

其中N表示共享小组中银行的个数；

(4h)聚合服务器AS调用MFHE中的求值运算Eval对所有多密钥形式的密文

进行加权平均，得到密文形式的全局模型

并将其存储到金融许可区块链中，其中,CM计算公式中的加法运算是通过Eval.add算法实现的，乘法运算是通过Eval.mul算法实现的，

表示共享小组中第i个银行P_i在共享小组中的贡献参数，d_i是共享小组中第i个银行P_i的本地数据尺寸。

8.根据权利要求1所述的方法，其特征在于，(5)中共享小组中的各银行使用全局模型对自己的本地模型进行训练，实现如下：

(5a)共享小组中的每个银行分别从金融许可区块链中下载密文形式的全局模型CM，再调用全同态加密算法MFHE中的部分解密运算PartDec对CM进行部分解密，得到部分密文m，并广播；

(5b)共享小组中的第i个银行P_i收到共享小组中的其他所有银行广播的部分密文{m_j}_j∈[N]后，调用全同态加密算法MFHE中的最终解密运算FinDec对其进行解密，恢复出全局模型M，其中，m_j表示共享小组的第j个银行P_j计算的部分密文；

(5c)共享小组中的每个银行分别使用全局模型M更新自己的本地模型，并根据自己的本地数据，分别用机器学习算法MBGD训练更新后的本地模型，直到该模型收敛或精度达到指定的要求。

Images