CN112860800A - 基于区块链和联邦学习的可信网络应用方法和装置 - Google Patents

基于区块链和联邦学习的可信网络应用方法和装置 Download PDF

Info

Publication number
CN112860800A
CN112860800A CN202110197457.6A CN202110197457A CN112860800A CN 112860800 A CN112860800 A CN 112860800A CN 202110197457 A CN202110197457 A CN 202110197457A CN 112860800 A CN112860800 A CN 112860800A
Authority
CN
China
Prior art keywords
node
network
data
model
block chain
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.)
Pending
Application number
CN202110197457.6A
Other languages
English (en)
Inventor
彭锦程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xingwangchu Blockchain Co ltd
Original Assignee
Shenzhen Xingwangchu Blockchain Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Xingwangchu Blockchain Co ltd filed Critical Shenzhen Xingwangchu Blockchain Co ltd
Priority to CN202110197457.6A priority Critical patent/CN112860800A/zh
Publication of CN112860800A publication Critical patent/CN112860800A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Storage Device Security (AREA)

Abstract

本申请提一种基于区块链和联邦学习的可信网络应用方法、装置、计算机设备和存储介质，包括：构建基于区块链的可信网络；在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。本申请在多方之间进行交互时，不会之间进行数据的交互，而是进行模型参数的交互，不会造成数据的泄露，提高数据安全性。

Description

基于区块链和联邦学习的可信网络应用方法和装置
技术领域
本申请涉及区块链技术领域，特别涉及一种基于区块链和联邦学习的可信网络应用方法、装置、计算机设备和存储介质。
背景技术
在目前众多的应用场景中，其通过涉及到多方之间的交互过程，其中包括多方之间进行的数据交换。目前数据在多方之间进行交互时，若直接进行数据的传输时，容易造成数据泄露，泄露隐私等，安全性很低。
发明内容
本申请的主要目的为提供一种基于区块链和联邦学习的可信网络应用方法、装置、计算机设备和存储介质，旨在解决目前多方之间进行数据交互时安全性低的缺陷。
为实现上述目的，本申请提供了一种基于区块链和联邦学习的可信网络应用方法，包括以下步骤：
构建基于区块链的可信网络；
在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；
对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；
基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。
进一步地，所述初始网络模型包括第一神经网络模型以及第二神经网络模型；所述各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数的步骤，包括：
基于获取到的网络数据训练所述第一神经网络模型，得到第一网络模型以及第一网络模型的第一模型参数；其中，所述第一网络模型包括特征提取层以及分类层；
基于所述第一网络模型提取所述网络数据的特征向量；
将所述特征向量输入至所述第二神经网络模型中进行训练，得到第二网络模型以及第二网络模型的第二模型参数；
将所述第一模型参数以及所述第二模型参数作为所述节点子数据。
进一步地，所述对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据的步骤，包括：
对所有节点发送的第一模型参数进行聚合运算，得到第一聚合数据；
对所有节点发送的第二模型参数进行聚合运算，得到第二聚合数据；
将所述第一聚合数据以及第二聚合数据作为所述聚合数据。
进一步地，所述在所述可信网络中获取所述区块链各个节点上的节点子数据的步骤之前，还包括：
接收各个所述节点发送的参数信息；
根据所有节点发送的参数信息，按照预设规则生成一个加密密码；
将所述加密密码发送至各个所述节点；其中，所述加密密码用于各个所述节点对发送的所述节点子数据进行加密。
进一步地，所述参数信息为节点的序号以及标识信息；
所述根据所有节点发送的参数信息，按照预设规则生成一个加密密码的步骤，包括：
根据各个所述节点的序号大小对各个所述节点进行排序；
按照各个所述节点的排序，将各个所述节点的序号以及标识信息添加至预设的表格中，生成参数信息表格；其中，所述预设的表格中包括序号字段以及标识信息字段；
对所述参数信息表格进行哈希计算，得到对应的哈希值；
对所述哈希值进行编码，得到一个指定位数的字符串，作为所述加密密码。
本申请还提供了一种基于区块链和联邦学习的可信网络应用装置，包括：
构建单元，用于构建基于区块链的可信网络；
获取单元，用于在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；
聚合单元，用于对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；
更新单元，用于基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请提供的基于区块链和联邦学习的可信网络应用方法、装置、计算机设备和存储介质，包括：构建基于区块链的可信网络；在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。本申请在多方之间进行交互时，不会之间进行数据的交互，而是进行模型参数的交互，不会造成数据的泄露，提高数据安全性。
附图说明
图1是本申请一实施例中基于区块链和联邦学习的可信网络应用方法步骤示意图；
图2是本申请一实施例中基于区块链和联邦学习的可信网络应用装置结构框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例中提供了本申请提供了一种基于区块链和联邦学习的可信网络应用方法，包括以下步骤：
步骤S1，构建基于区块链的可信网络；
步骤S2，在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；
步骤S3，对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；
步骤S4，基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。
在本实施例中，基于区块链和联邦学习，在可信网络中实现模型的训练，在训练上述模型时，需要运用到足够多的训练数据(网络数据)。在实际应用中，上述节点可以是区块链中的各个节点。如上述步骤S1所述的，基于区块链，构建可信网络，安全性高。
因此，如上述步骤S2所述的，上述各个节点上分别设置有相同的初始网络模型，上述初始网络模型为神经网络模型。各个节点可以获取到对应平台的网络数据，再分别基于上述网络数据对初始网络模型进行训练。由于各个节点所获取到的网络数据不同，因此，各个节点所训练的模型也拥有不同的节点子数据。
进而，上述各个节点分别将节点子数据同时上传到聚合服务器，聚合服务器将接收到上述节点子数据，并如上述步骤S3所述的，进行节点子数据的聚合与更新，得到上述聚合数据。可以理解的是，虽然上述上没有大量用户的网络数据，但是其可以获取到各个节点上传的节点子数据，并进行聚合运算，则相当于上述聚合服务器利用到了所有节点上的网络数据进行模型训练，不仅可以提升模型的准确性，而且无需与节点之间进行网络数据的传输，只进行模型参数的传输，保障了网络数据的隐私性。
如上述步骤S4所述的，将更新好的参数返回到各个节点，各个节点开始下一次的迭代训练。以上的程序会一直重复，直到整个训练过程的收敛。整个训练过程中，节点与之间只交换模型中间值，而不涉及网络数据的交换，从而在保护各***数据隐私的情况下，发挥利用节点所有数据的作用。
在本实施例中，基于区块链以及联邦学习进行模型训练，可以针对来自多方的数据训练同一模型而又不损害这些数据的隐私和安全性。
具体地，在一实施例中，上述节点分别进行训练，得到初始模型参数，节点再相互交换初始模型参数，并分别计算得到模型梯度，即上述节点子数据。其中，各个节点上交换的初始模型参数可以不同，例如节点A具有的是模型的部分特征，节点B具有的是模型需要的特征及标签值。节点A与节点B相互交换，从而分别进行模型梯度的计算，得到上述节点子数据。
进而分别对上述节点子数据进行加密后，传输至上述聚合服务器；
上述聚合服务器对上述节点子数据进行解密，并进行聚合运算，得到上述聚合数据，并返回至上述节点。
在本实施例中，上述模型的学习率为η，正则化参数为λ，以节点A与节点B两个为例：
节点A上的数据集合为
Figure BDA0002946290020000051
节点B上的数据集合为
Figure BDA0002946290020000052
节点A、B对应的模型参数分别为ΘA，ΘB，训练目标为：
Figure BDA0002946290020000053
令
Figure BDA0002946290020000054
则加密后的损失值为：
Figure BDA0002946290020000055
令
Figure BDA0002946290020000056
Figure BDA0002946290020000057
Figure BDA0002946290020000061
则：[[L]]＝[[LA]]+[[LB]]+[[LAB]]；
令
Figure BDA0002946290020000062
则计算节点子数据(即梯度)为：
Figure BDA0002946290020000063
Figure BDA0002946290020000064
在一实施例中，所述初始网络模型包括第一神经网络模型以及第二神经网络模型；所述各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数的步骤，包括：
基于获取到的网络数据训练所述第一神经网络模型，得到第一网络模型以及第一网络模型的第一模型参数；其中，所述第一网络模型包括特征提取层以及分类层；
基于所述第一网络模型提取所述网络数据的特征向量；
将所述特征向量输入至所述第二神经网络模型中进行训练，得到第二网络模型以及第二网络模型的第二模型参数；
将所述第一模型参数以及所述第二模型参数作为所述节点子数据。
在本实施例中，上述初始网络模型由第一神经网络模型以及第二神经网络模型构成，在训练过程中，需要进行两次迭代训练，首先使用上述网络数据训练第一神经网络模型，在第一神经网络模型训练完成得到第一网络模型之后，再利用该第一网络模型训练提取网络数据的特征向量输入到第二神经网络模型中进行训练。最终分别得到上述第一网络模型以及第二网络模型的模型参数，作为上述节点子数据。本实施例中，上述训练方式，由于进行了两次迭代训练，且后一次的训练数据基于前一次训练得到模型所提取到，可以使得训练得到的模型对的分类更加准确。在基于上述模型识别时，必须是两个模型的分类结果一致时，才能输出用户的画像类别，显然识别准确率高。
在一实施例中，所述对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据的步骤，包括：
对所有节点发送的第一模型参数进行聚合运算，得到第一聚合数据；
对所有节点发送的第二模型参数进行聚合运算，得到第二聚合数据；
将所述第一聚合数据以及第二聚合数据作为所述聚合数据。
在本实施例中，由于上述第一模型参数以及第二模型参数来自于不同的模型，因此，对上述第一模型参数以及第二模型参数分别进行聚合运算，互不干扰。
在一实施例中，所述在所述可信网络中获取所述区块链各个节点上的节点子数据的步骤之前，还包括：
接收各个所述节点发送的参数信息；
根据所有节点发送的参数信息，按照预设规则生成一个加密密码；
将所述加密密码发送至各个所述节点；其中，所述加密密码用于各个所述节点对发送的所述节点子数据进行加密。
在本实施例中，为了进一步地提高数据安全性，各个所述节点在发送上述节点子数据时，也需要对其进行加密处理。在本实施例中，对节点子数据进行加密的加密密码不是由各个节点各自确定，而是由上述根据各个节点发送的参数信息综合确定；且由确定加密密码之后统一发送至各个节点。不仅使得所有节点使用的密码相同，便于保存；同时，又可以避免节点单独确定加密密码，而是由所有节点发送的参数信息来确定加密密码，增加了加密密码的复杂性，避免加密密码被轻易破解。
在一实施例中，所述参数信息为节点的序号以及标识信息；
所述根据所有节点发送的参数信息，按照预设规则生成一个加密密码的步骤，包括：
根据各个所述节点的序号大小对各个所述节点进行排序；
按照各个所述节点的排序，将各个所述节点的序号以及标识信息添加至预设的表格中，生成参数信息表格；其中，所述预设的表格中包括序号字段以及标识信息字段；
对所述参数信息表格进行哈希计算，得到对应的哈希值；
对所述哈希值进行编码，得到一个指定位数的字符串，作为所述加密密码。
参照图2，本申请一实施例中还提供了一种基于区块链和联邦学习的可信网络应用装置，包括：
构建单元10，用于构建基于区块链的可信网络；
获取单元20，用于在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；
聚合单元30，用于对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；
更新单元40，用于基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。
在本实施例中，基于区块链和联邦学习，在可信网络中实现模型的训练，在训练上述模型时，需要运用到足够多的训练数据(网络数据)。在实际应用中，上述节点可以是区块链中的各个节点。如上述构建单元10所述的，基于区块链，构建可信网络，安全性高。
因此，如上述获取单元20所述的，上述各个节点上分别设置有相同的初始网络模型，上述初始网络模型为神经网络模型。各个节点可以获取到对应平台的网络数据，再分别基于上述网络数据对初始网络模型进行训练。由于各个节点所获取到的网络数据不同，因此，各个节点所训练的模型也拥有不同的节点子数据。
进而，上述各个节点分别将节点子数据同时上传到聚合服务器，聚合服务器将接收到上述节点子数据，并如上述聚合单元30所述的，进行节点子数据的聚合与更新，得到上述聚合数据。可以理解的是，虽然上述上没有大量用户的网络数据，但是其可以获取到各个节点上传的节点子数据，并进行聚合运算，则相当于上述聚合服务器利用到了所有节点上的网络数据进行模型训练，不仅可以提升模型的准确性，而且无需与节点之间进行网络数据的传输，只进行模型参数的传输，保障了网络数据的隐私性。
如上述更新单元40所述的，将更新好的参数返回到各个节点，各个节点开始下一次的迭代训练。以上的程序会一直重复，直到整个训练过程的收敛。整个训练过程中，节点与之间只交换模型中间值，而不涉及网络数据的交换，从而在保护各***数据隐私的情况下，发挥利用节点所有数据的作用。
在本实施例中，基于区块链以及联邦学习进行模型训练，可以针对来自多方的数据训练同一模型而又不损害这些数据的隐私和安全性。
具体地，在一实施例中，上述节点分别进行训练，得到初始模型参数，节点再相互交换初始模型参数，并分别计算得到模型梯度，即上述节点子数据。其中，各个节点上交换的初始模型参数可以不同，例如节点A具有的是模型的部分特征，节点B具有的是模型需要的特征及标签值。节点A与节点B相互交换，从而分别进行模型梯度的计算，得到上述节点子数据。
进而分别对上述节点子数据进行加密后，传输至上述聚合服务器；
上述聚合服务器对上述节点子数据进行解密，并进行聚合运算，得到上述聚合数据，并返回至上述节点。
在本实施例中，上述装置实施例中的单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于区块链和联邦学习的可信网络应用方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于区块链和联邦学习的可信网络应用方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本申请实施例中提供的基于区块链和联邦学习的可信网络应用方法、装置、计算机设备和存储介质，包括：构建基于区块链的可信网络；在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。本申请在多方之间进行交互时，不会之间进行数据的交互，而是进行模型参数的交互，不会造成数据的泄露，提高数据安全性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种基于区块链和联邦学习的可信网络应用方法，其特征在于，包括以下步骤：
构建基于区块链的可信网络；
在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；
对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；
基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。
2.根据权利要求1所述的基于区块链和联邦学习的可信网络应用方法，其特征在于，所述初始网络模型包括第一神经网络模型以及第二神经网络模型；所述各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数的步骤，包括：
基于获取到的网络数据训练所述第一神经网络模型，得到第一网络模型以及第一网络模型的第一模型参数；其中，所述第一网络模型包括特征提取层以及分类层；
基于所述第一网络模型提取所述网络数据的特征向量；
将所述特征向量输入至所述第二神经网络模型中进行训练，得到第二网络模型以及第二网络模型的第二模型参数；
将所述第一模型参数以及所述第二模型参数作为所述节点子数据。
3.根据权利要求2所述的基于区块链和联邦学习的可信网络应用方法，其特征在于，所述对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据的步骤，包括：
对所有节点发送的第一模型参数进行聚合运算，得到第一聚合数据；
对所有节点发送的第二模型参数进行聚合运算，得到第二聚合数据；
将所述第一聚合数据以及第二聚合数据作为所述聚合数据。
4.根据权利要求1所述的基于区块链和联邦学习的可信网络应用方法，其特征在于，所述在所述可信网络中获取所述区块链各个节点上的节点子数据的步骤之前，还包括：
接收各个所述节点发送的参数信息；
根据所有节点发送的参数信息，按照预设规则生成一个加密密码；
将所述加密密码发送至各个所述节点；其中，所述加密密码用于各个所述节点对发送的所述节点子数据进行加密。
5.根据权利要求4所述的基于区块链和联邦学习的可信网络应用方法，其特征在于，所述参数信息为节点的序号以及标识信息；
所述根据所有节点发送的参数信息，按照预设规则生成一个加密密码的步骤，包括：
根据各个所述节点的序号大小对各个所述节点进行排序；
按照各个所述节点的排序，将各个所述节点的序号以及标识信息添加至预设的表格中，生成参数信息表格；其中，所述预设的表格中包括序号字段以及标识信息字段；
对所述参数信息表格进行哈希计算，得到对应的哈希值；
对所述哈希值进行编码，得到一个指定位数的字符串，作为所述加密密码。
6.一种基于区块链和联邦学习的可信网络应用装置，其特征在于，包括：
构建单元，用于构建基于区块链的可信网络；
获取单元，用于在所述可信网络中获取所述区块链各个节点上的节点子数据；各个所述节点上设置有相同的初始网络模型，各个节点获取到节点上的网络数据训练所述初始网络模型，得到模型参数，作为所述节点子数据；
聚合单元，用于对所述区块链所有节点上的节点子数据进行聚合运算，得到聚合数据；
更新单元，用于基于所述可信网络，将所述聚合数据分别发送至所述区块链的各个所述节点上进行初始网络模型的模型参数更新，得到训练完成的网络模型。
7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202110197457.6A 2021-02-22 2021-02-22 基于区块链和联邦学习的可信网络应用方法和装置 Pending CN112860800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110197457.6A CN112860800A (zh) 2021-02-22 2021-02-22 基于区块链和联邦学习的可信网络应用方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110197457.6A CN112860800A (zh) 2021-02-22 2021-02-22 基于区块链和联邦学习的可信网络应用方法和装置

Publications (1)

Publication Number Publication Date
CN112860800A true CN112860800A (zh) 2021-05-28

Family

ID=75988534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110197457.6A Pending CN112860800A (zh) 2021-02-22 2021-02-22 基于区块链和联邦学习的可信网络应用方法和装置

Country Status (1)

Country Link
CN (1) CN112860800A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469371A (zh) * 2021-07-01 2021-10-01 建信金融科技有限责任公司 联邦学习方法和装置
CN113537495A (zh) * 2021-08-05 2021-10-22 南方电网数字电网研究院有限公司 基于联邦学习的模型训练***、方法、装置和计算机设备
CN114187006A (zh) * 2021-11-03 2022-03-15 杭州未名信科科技有限公司 一种基于区块链监管的联邦学习方法
WO2023138152A1 (zh) * 2022-01-20 2023-07-27 广州广电运通金融电子股份有限公司 一种基于区块链的联邦学习方法和***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109698822A (zh) * 2018-11-28 2019-04-30 众安信息技术服务有限公司 基于公有区块链和加密神经网络的联合学习方法及***
CN109992781A (zh) * 2019-04-02 2019-07-09 腾讯科技（深圳）有限公司 文本特征的处理、装置、存储介质和处理器
CN110598845A (zh) * 2019-08-13 2019-12-20 中国平安人寿保险股份有限公司 数据处理方法、装置、计算机设备和存储介质
WO2020029585A1 (zh) * 2018-08-10 2020-02-13 深圳前海微众银行股份有限公司 基于迁移学习的神经网络联邦建模方法、设备及存储介质
CN110890146A (zh) * 2019-11-04 2020-03-17 广东德澳智慧医疗科技有限公司 一种用于智慧病房的床旁智能交互***
CN110971969A (zh) * 2019-12-09 2020-04-07 北京字节跳动网络技术有限公司 视频配乐方法、装置、电子设备及计算机可读存储介质
CN111212110A (zh) * 2019-12-13 2020-05-29 清华大学深圳国际研究生院 一种基于区块链的联邦学习***及方法
CN111507135A (zh) * 2019-01-31 2020-08-07 北京奇虎科技有限公司 人脸检测方法、装置、计算机设备及存储介质
CN111552986A (zh) * 2020-07-10 2020-08-18 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
CN111598254A (zh) * 2020-05-22 2020-08-28 深圳前海微众银行股份有限公司 联邦学习建模方法、设备及可读存储介质
CN111741330A (zh) * 2020-07-17 2020-10-02 腾讯科技（深圳）有限公司 一种视频内容评估方法、装置、存储介质及计算机设备
CN111814985A (zh) * 2020-06-30 2020-10-23 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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020029585A1 (zh) * 2018-08-10 2020-02-13 深圳前海微众银行股份有限公司 基于迁移学习的神经网络联邦建模方法、设备及存储介质
CN109698822A (zh) * 2018-11-28 2019-04-30 众安信息技术服务有限公司 基于公有区块链和加密神经网络的联合学习方法及***
CN111507135A (zh) * 2019-01-31 2020-08-07 北京奇虎科技有限公司 人脸检测方法、装置、计算机设备及存储介质
CN109992781A (zh) * 2019-04-02 2019-07-09 腾讯科技（深圳）有限公司 文本特征的处理、装置、存储介质和处理器
CN110598845A (zh) * 2019-08-13 2019-12-20 中国平安人寿保险股份有限公司 数据处理方法、装置、计算机设备和存储介质
CN110890146A (zh) * 2019-11-04 2020-03-17 广东德澳智慧医疗科技有限公司 一种用于智慧病房的床旁智能交互***
CN110971969A (zh) * 2019-12-09 2020-04-07 北京字节跳动网络技术有限公司 视频配乐方法、装置、电子设备及计算机可读存储介质
CN111212110A (zh) * 2019-12-13 2020-05-29 清华大学深圳国际研究生院 一种基于区块链的联邦学习***及方法
CN111598254A (zh) * 2020-05-22 2020-08-28 深圳前海微众银行股份有限公司 联邦学习建模方法、设备及可读存储介质
CN111814985A (zh) * 2020-06-30 2020-10-23 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
CN111552986A (zh) * 2020-07-10 2020-08-18 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
CN111741330A (zh) * 2020-07-17 2020-10-02 腾讯科技（深圳）有限公司 一种视频内容评估方法、装置、存储介质及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AURÉLIENGÉRON: "《机器学习实战:基于Scikit-Learn、Keras和TensorFlow》", 30 September 2020, 机械工业出版社, pages: 309 - 310 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469371A (zh) * 2021-07-01 2021-10-01 建信金融科技有限责任公司 联邦学习方法和装置
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
CN113537495A (zh) * 2021-08-05 2021-10-22 南方电网数字电网研究院有限公司 基于联邦学习的模型训练***、方法、装置和计算机设备
CN114187006A (zh) * 2021-11-03 2022-03-15 杭州未名信科科技有限公司 一种基于区块链监管的联邦学习方法
WO2023138152A1 (zh) * 2022-01-20 2023-07-27 广州广电运通金融电子股份有限公司 一种基于区块链的联邦学习方法和***

Similar Documents

Publication Publication Date Title
CN112860800A (zh) 基于区块链和联邦学习的可信网络应用方法和装置
CN110929886B (zh) 模型训练、预测方法及其***
CN110753926B (zh) 用于数据加密的方法、***和计算机可读存储介质
CN109165725B (zh) 基于迁移学习的神经网络联邦建模方法、设备及存储介质
CN110189192B (zh) 一种信息推荐模型的生成方法及装置
CN110955915B (zh) 一种隐私数据的处理方法及装置
EP2360615B1 (en) Biometric authentication system and method therefor
CN111931076B (zh) 基于有权有向图进行关系推荐的方法、装置和计算机设备
CN108984733B (zh) 跨域数据融合方法、***以及存储介质
CN110210233B (zh) 预测模型的联合构建方法、装置、存储介质及计算机设备
TW201703455A (zh) 用於使用生物識別資料之多階層密碼學密鑰產生之系統及方法
CN111738359B (zh) 一种两方决策树训练方法和***
CN111832074B (zh) 基于spdz安全多方计算的安全验证协作学习方法及***
CN113435121B (zh) 基于联邦学习的模型训练验证方法、装置、设备及介质
US20200410404A1 (en) Systems, circuits and computer program products providing a framework for secured collaborative training using hyper-dimensional vector based data encoding/decoding and related methods
CN112488712A (zh) 基于区块链大数据的安全识别方法及安全识别***
CN111680676B (zh) 训练人脸识别模型、图像注册、人脸识别方法和装置
CN112527273A (zh) 一种代码补全方法、装置以及相关设备
CN113221153B (zh) 图神经网络训练方法、装置、计算设备及存储介质
CN112131471B (zh) 基于无权无向图进行关系推荐的方法、装置、设备及介质
CN111738360B (zh) 一种两方决策树训练方法和***
CN112801307B (zh) 基于区块链的联邦学习方法、装置和计算机设备
CN112734050A (zh) 文本模型的训练方法、识别方法、装置、设备及存储介质
Zheng et al. SecDR: Enabling secure, efficient, and accurate data recovery for mobile crowdsensing
CN113271319B (zh) 一种基于区块链的通讯数据加密方法及***

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