CN114978893B - 一种基于区块链的去中心化联邦学习方法及*** - Google Patents

一种基于区块链的去中心化联邦学习方法及*** Download PDF

Info

Publication number
CN114978893B
CN114978893B CN202210406167.2A CN202210406167A CN114978893B CN 114978893 B CN114978893 B CN 114978893B CN 202210406167 A CN202210406167 A CN 202210406167A CN 114978893 B CN114978893 B CN 114978893B
Authority
CN
China
Prior art keywords
local
edge server
information
model
training
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
Application number
CN202210406167.2A
Other languages
English (en)
Other versions
CN114978893A (zh
Inventor
伍卫国
王雄
杨诗园
柴玉香
张超
张祥俊
刘松
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210406167.2A priority Critical patent/CN114978893B/zh
Publication of CN114978893A publication Critical patent/CN114978893A/zh
Application granted granted Critical
Publication of CN114978893B publication Critical patent/CN114978893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
    • 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
    • H04L41/04—Network management architectures or arrangements
    • H04L41/042—Network management architectures or arrangements comprising distributed management centres cooperatively managing the network
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0836—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability to enhance reliability, e.g. reduce downtime
    • 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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3297—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving time stamps, e.g. generation of time stamps
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于区块链的去中心化联邦学习方法及***，通过将本地设备和边缘服务器进行***注册并初始化；根据模型请求信息匹配与该模型请求信息匹配度最高的本地设备，利用本地参数对模型请求信息生成的初始模型进行局部训练，局部模型上传至与用于训练的本地设备绑定的边缘服务器，对收到的多个局部模型的参数进行全局聚合即可完成模型请求信息的训练任务，本地训练设备与边缘服务器相互绑定，减少共识节点的数量，有助于减少模型训练时间，基于区块链的去中心化联邦学习方法不但解决了集中式联邦学习的单点故障问题，还能够有效地促使本地设备贡献出样本数据。去中心化联邦学习方法的提出能够有效降低模型训练的时间，提高模型训练效率。

Description

一种基于区块链的去中心化联邦学习方法及***
技术领域
本申请涉及计算机数据处理技术领域，特别是涉及一种基于区块链的去中心化联邦学习方法及***。
背景技术
传统的机器学习方案需要在集中式服务器上远端收集样本数据，这引发了对用户个人数据的隐私和滥用的担忧。随着监管环境的变化，机器学习在使用此类数据方面也面临着越来越严苛的限制。近年来，联邦学习已成为解决机器学习中敏感数据问题的一种方案。但是联邦学习本身也存在服务器单点故障和无法激励本地设备参与模型训练等问题，所以如何集成现有的技术来解决联邦学习的缺陷问题，进而保证用户数据的安全性和模型训练的可靠性是目前研究的一个热点。
传统的联邦学习模型采用中心化拓扑结构，该结构依赖于单一的中央服务器，在恶意攻击下，极易受到服务器故障的影响，这将可能导致全局模型更新出错，进而影响所有的本地模型更新。具有较多数据样本的本地设备全全局训练的贡献更大，所以在不提供奖励的情况下，这样的设备不太愿意与拥有少量数据样本的其它设备联合训练。此外，中心化联邦学习还存在通信负载高、宽带利用率低等问题，因此，如何在确保用户数据的安全性的同时提高模型训练的可靠性是目前急需解决的问题。
发明内容
本发明的目的在于提供一种基于区块链的去中心化联邦学习方法及***，以克服现有技术的不足，本发明能够有效的解决联邦学习的单点故障、不存在激励机制的问题，使得模型训练***的宽带利用率、网络通信负载以及联邦学习的模型达到理想的指标。
一种基于区块链的去中心化联邦学习方法，包括以下步骤：
S1，将本地设备和边缘服务器进行***注册并初始化；
S2，根据模型请求信息匹配与该模型请求信息匹配度最高的本地设备，利用匹配的本地设备的本地参数对模型请求信息生成的初始模型进行局部训练，将局部训练完成的局部模型上传至与用于训练的本地设备绑定的边缘服务器；
S3，对收到的多个局部模型的参数进行全局聚合即可完成模型请求信息的训练任务。
进一步的，本地设备和边缘服务器进行***注册并初始化后进行绑定，本地设备与其绑定的边缘服务器进行信息交互。
进一步的，发布者发布模型请求信息时进行身份验证，并将模型请求信息传送至边缘服务器。
进一步的，边缘服务器根据模型请求信息生成初始模型。
进一步的，本地设备首先利用Hash函数生成信息的摘要，再利用自身的私钥Prik对摘要加密生成数字签名，然后一并上传到边缘服务器中。
进一步的，边缘服务器在接收每次局部迭代中每个本地训练设备上传信息后，验证该信息的真实性和评估该局部模型参数的准确性，边缘服务器在接收到本地设备上传的信息后，将会对这些信息展开验证，包括本地方法的版本号是否正确，通过签名检查本地方法的梯度参数是否被恶意篡改。
进一步的，采用拜占庭容错算法作为共识算法对多个局部模型的参数进行全局聚合。
一种基于区块链的去中心化联邦学习***，包括数据采集模块、聚合模块和验证模块；
验证模块用于本地设备和边缘服务器的***注册以及初始化，实现本地设备和边缘服务器之间的信息验证；
数据采集模块用于获取模型请求信息，并将获取的模型请求信息传输至边缘服务器，边缘服务器根据与该模型请求信息匹配度最高的本地设备，利用匹配的本地设备的本地参数对模型请求信息生成的初始模型进行局部训练，将局部训练完成的局部模型上传至与用于训练的本地设备绑定的边缘服务器；
聚合模块用于对收到的多个局部模型的参数进行全局聚合即可完成模型请求信息的训练任务。
进一步的，聚合模块包括靠近本地设备或者数据源头的边缘节点，如具有存储和计算能力的基站，作用是聚合全局方法和保存参数信息；这些边缘节点组成边缘服务器层；具有网络方法需求任务的发布者发布联邦学习任务，然后基于本地设备的数据样本训练得到的局部方法参数进行全局方法的聚合。
进一步的，在每一轮的训练过程中，将验证模块返回验证结果、本地设备上传的数据样本成本和本地设备的训练时间信息存储到区块链中，并且根据这些信息发放一次奖励，这些奖励视作交易存储在区块链中。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种基于区块链的去中心化联邦学习方法，通过将本地设备和边缘服务器进行***注册并初始化；根据模型请求信息匹配与该模型请求信息匹配度最高的本地设备，利用匹配的本地设备的本地参数对模型请求信息生成的初始模型进行局部训练，将局部训练完成的局部模型上传至与用于训练的本地设备绑定的边缘服务器，对收到的多个局部模型的参数进行全局聚合即可完成模型请求信息的训练任务，本地训练设备与边缘服务器相互绑定，减少共识节点的数量，有助于减少模型训练时间，基于区块链的去中心化联邦学习方法不但解决了集中式联邦学习的单点故障问题，还能够有效地促使本地设备贡献出样本数据。去中心化联邦学习方法的提出能够有效降低模型训练的时间，提高模型训练效率。
进一步的，本发明任务发布者和边缘服务器并不能直接在本地设备中获取数据样本信息，而是共享了本地设备中的参数，这有助于保护数据拥有者的隐私，通过将本地设备的参数上传到边缘服务器中，所有的边缘服务器节点将加入联盟链当中，负责聚合全局方法并参与共识和存储训练参数信息；由于边缘服务器节点的数量明显少于本地设备的数量，这将会降低方法训练的整体时延。
由于参与方法训练的本地设备地理位置、网络带宽等信息的不确定性，每当运行一次全新的模型训练任务时，***都将通过稳定匹配算法使一部分本地设备和边缘服务器相互绑定。在***初始化之时，本地训练设备将从自身所绑定的边缘服务器处下载全局方法，经过签名验证后，会在本地端利用自身数据样本训练局部方法。经过一定批次的本地训练后，本地设备将方法梯度差、方法版本号、时间戳等参数签名后上传。整个训练过程是迭代进行的，一直到全局方法的准确性达到了预定的值。
同时在模型中增加了激励机制，促使本地设备更积极地参与模型训练。
附图说明
图1是本发明实施例中基于去中心化联邦学习的模型训练方法的架构图。
图2是本发明实施例中一种去中心化联邦学习的区块结构图。
图3是本发明实施例中去中心化联邦学习方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
以下是详细地对示例性实施例进行说明，一种基于区块链的去中心化联邦学习方法，具体步骤如下：
S1：***初始化：对本地设备k或者边缘服务器进行***注册，注册后，本地设备k和边缘服务器分别分配到各自的私钥Prik和公钥Pubk，公钥将被保存在区块链中，随时可以被查询，私钥则自身保存，不能被泄露。
通过私钥和公钥，本地设备k可以向绑定的边缘服务器提交修改后的本地模型权重参数以及其它信息，边缘服务器通过验证设备提供验证的精确度；同时边缘服务器将通过修改后的本地模型权重参数以及其它信息聚合后的全局模型参数加密后返回给所绑定的本地设备k。
在注册之时，本地设备需要缴纳足量的保证金，保证金的作用是防止其作出不诚实的行为。同样，如果模型请求者尚未注册，则需要注册并缴纳模型训练和验证的费用；
S2：联邦学习任务发布：模型请求者给出其特定的模型需求，例如样本类型、样本大小和样本数量，根据模型请求者的模型需求，在一定范围内广播联邦学习任务，收到该广播的本地设备满足此数据要求便请求加入这个联邦学习任务中；同时提交自己的身份数据信息；
S3：信息的验证：***首先检查验证请求加入联邦学习任务的本地设备发来的身份数据信息是否真实合法以及是否符合模型请求者的要求；
S4：本地设备与边缘服务器绑定：被认为是真实合格的本地设备将会根据稳定匹配算法与边缘服务器进行绑定，去中心化联邦学习方法采用本地设备优先的稳定匹配算法，在这个算法中，每个本地设备依据自身的偏好列表向匹配度最高的边缘服务器发起匹配邀约，每个边缘服务器根据自身的最大绑定数量以及偏好列表拒绝其它匹配度低的本地设备。
如果一个本地设备被拒绝，则它继续向还没有拒绝过它的边缘服务器发起匹配，每个边缘服务器考虑上一步中保留的匹配邀约和这一步收到的所有邀约，保留匹配度最高的n个可接受的本地设备并拒绝其它本地设备，重复直到没有本地设备再提出邀约。双方根据最终的匹配列表互相完成绑定。
S5：局部模型的训练：根据模型请求者的任务要求，从预定义的范围内随机地初始化一个学习模型作为初始的全局共享模型，然后由各个边缘服务器将初始化的全局共享模型发送给本地设备k进行训练；每个本地设备通过使用自身的本地样本数据来对初始模型进行局部迭代训练达到设定迭代要求；本地设备通过局部多次地迭代训练得到与其对应的局部模型更新的参数以及相对应的局部计算时间，并将其和其它信息一并上传到所绑定的边缘服务器上。
为了防止在上传过程中，信息被篡改，本地设备首先利用Hash函数生成信息的摘要，再利用自身的私钥Prik对摘要加密生成数字签名，然后一并上传到边缘服务器中。
S6：边缘服务器的校验：边缘服务器在接收每次局部迭代中每个本地训练设备上传信息后，验证该信息的真实性和评估该局部模型参数的准确性。边缘服务器先利用本地设备的公钥Pubk对数字签名解密，得到信息的摘要，然后再对信息使用Hash函数，将得到的结果与解密后的摘要进行比对，如果两者一致，就证明信息在上传过程中未被修改过。之后，边缘服务器会对信息内容进行其它验证，例如通过版本号验证信息是否被多次上传等。
在此方法中，通过本地验证设备来对每一轮迭代得到的局部模型更新参数进行测试，通过其在验证集中的精确度来衡量本次参数更新的准确性和有效性。如果精确度小于阈值，则该训练设备的此轮训练将会被认定为不诚实行为，***将会对其做出惩罚，扣除保证金。反之，边缘服务器将会根据公式(1)(2) 计算训练设备相对应的分值、训练费以及验证费。每一笔费用的发放都会被视作为一笔交易，将与参数信息和分数信息一起被广播于区块链中。
S7：全局模型的聚合：在由边缘服务器组成的区块链中，采用拜占庭容错算法作为共识算法。共识主节点(边缘服务器)在接收到其它节点(本地设备) 发来的数据之后，首先通过联邦平均算法，将各个局部模型参数进行全局聚合。然后将全局聚合信息、交易信息和分数信息放入区块链中，并在区块链中进行广播。
经过三阶段确认之后，所有信息将会被记录在区块之中。区块中的信息是公开的，区块链中的成员可以随时访问。例如验证设备可以对其它验证设备做出的验证进行检验，进而保证诚实的验证行为。
S8：全局模型的下载与更新：在区块链的共识阶段，除主节点的所有边缘服务器节点将会收到由主节点聚合成的全局模型信息，待共识完成之后，边缘服务器便通知其所绑定的本地设备开始下载聚合后的全局模型，开启新一轮的迭代。
为了有效地促进本地设备参与方法训练与方法验证，去中心化的联邦学习方法还设置了一套奖励机制。在每一轮的训练过程中，***会将验证设备返回验证结果、训练设备上传的数据样本成本和训练设备的训练时间等信息存储到区块中，并且根据这些信息发放一次奖励，这些奖励都视作交易，存储在区块中。由于区块链具有分布式存储和防篡改特性，区块中的数据都具有持久性和透明性。在一次全局模型聚合之后，***将会读取区块上保存的数据，经过计算之后，按照结果将奖励发送给各个本地设备。

Claims (6)

1.一种基于区块链的去中心化联邦学习方法，其特征在于，包括以下步骤：
S1，将本地设备和边缘服务器进行***注册并初始化；本地设备和边缘服务器进行***注册并初始化后进行绑定，本地设备与其绑定的边缘服务器进行信息交互；本地设备与边缘服务器绑定：被认为是真实合格的本地设备将会根据稳定匹配算法与边缘服务器进行绑定，去中心化联邦学习方法采用本地设备优先的稳定匹配算法，在这个算法中，每个本地设备依据自身的偏好列表向匹配度最高的边缘服务器发起匹配邀约，每个边缘服务器根据自身的最大绑定数量以及偏好列表拒绝其它匹配度低的本地设备；如果一个本地设备被拒绝，则它继续向还没有拒绝过它的边缘服务器发起匹配，每个边缘服务器考虑上一步中保留的匹配邀约和这一步收到的所有邀约，保留匹配度最高的n个可接受的本地设备并拒绝其它本地设备，重复直到没有本地设备再提出邀约；双方根据最终的匹配列表互相完成绑定；
S2，根据模型请求信息匹配与该模型请求信息匹配度最高的本地设备，利用匹配的本地设备的本地参数对模型请求信息生成的初始模型进行局部训练，将局部训练完成的局部模型上传至与用于训练的本地设备绑定的边缘服务器；发布者发布模型请求信息时进行身份验证，并将模型请求信息传送至边缘服务器；
本地设备首先利用Hash函数生成信息的摘要，再利用自身的私钥Prik对摘要加密生成数字签名，然后一并上传到边缘服务器中；边缘服务器在接收每次局部迭代中每个本地训练设备上传信息后，验证该信息的真实性和评估该局部模型参数的准确性；边缘服务器先利用本地设备的公钥Pubk对数字签名解密，得到信息的摘要，然后再对信息使用Hash函数，将得到的结果与解密后的摘要进行比对，如果两者一致，就证明信息在上传过程中未被修改过；之后，边缘服务器会对信息内容进行其它验证；
S3，对收到的多个局部模型的参数进行全局聚合即可完成模型请求信息的训练任务。
2.根据权利要求1所述的一种基于区块链的去中心化联邦学习方法，其特征在于，边缘服务器根据模型请求信息生成初始模型。
3.根据权利要求1所述的一种基于区块链的去中心化联邦学习方法，其特征在于，采用拜占庭容错算法作为共识算法对多个局部模型的参数进行全局聚合。
4.一种基于区块链的去中心化联邦学习***，其特征在于，包括数据采集模块、聚合模块和验证模块；
验证模块用于本地设备和边缘服务器的***注册以及初始化，实现本地设备和边缘服务器之间的信息验证；本地设备和边缘服务器进行***注册并初始化后进行绑定，本地设备与其绑定的边缘服务器进行信息交互；本地设备与边缘服务器绑定：被认为是真实合格的本地设备将会根据稳定匹配算法与边缘服务器进行绑定，去中心化联邦学习方法采用本地设备优先的稳定匹配算法，在这个算法中，每个本地设备依据自身的偏好列表向匹配度最高的边缘服务器发起匹配邀约，每个边缘服务器根据自身的最大绑定数量以及偏好列表拒绝其它匹配度低的本地设备；如果一个本地设备被拒绝，则它继续向还没有拒绝过它的边缘服务器发起匹配，每个边缘服务器考虑上一步中保留的匹配邀约和这一步收到的所有邀约，保留匹配度最高的n个可接受的本地设备并拒绝其它本地设备，重复直到没有本地设备再提出邀约；双方根据最终的匹配列表互相完成绑定；
数据采集模块用于获取模型请求信息，并将获取的模型请求信息传输至边缘服务器，边缘服务器根据与该模型请求信息匹配度最高的本地设备，利用匹配的本地设备的本地参数对模型请求信息生成的初始模型进行局部训练，将局部训练完成的局部模型上传至与用于训练的本地设备绑定的边缘服务器；发布者发布模型请求信息时进行身份验证，并将模型请求信息传送至边缘服务器；
本地设备首先利用Hash函数生成信息的摘要，再利用自身的私钥Prik对摘要加密生成数字签名，然后一并上传到边缘服务器中；边缘服务器在接收每次局部迭代中每个本地训练设备上传信息后，验证该信息的真实性和评估该局部模型参数的准确性；边缘服务器先利用本地设备的公钥Pubk对数字签名解密，得到信息的摘要，然后再对信息使用Hash函数，将得到的结果与解密后的摘要进行比对，如果两者一致，就证明信息在上传过程中未被修改过；之后，边缘服务器会对信息内容进行其它验证；
聚合模块用于对收到的多个局部模型的参数进行全局聚合即可完成模型请求信息的训练任务。
5.根据权利要求4所述的一种基于区块链的去中心化联邦学习***，其特征在于，聚合模块包括靠近本地设备或者数据源头的边缘节点。
6.根据权利要求4所述的一种基于区块链的去中心化联邦学习***，其特征在于，在每一轮的训练过程中，将验证模块返回验证结果、本地设备上传的数据样本成本和本地设备的训练时间信息存储到区块链中，并且根据这些信息发放一次奖励，这些奖励视作交易存储在区块链中。
CN202210406167.2A 2022-04-18 2022-04-18 一种基于区块链的去中心化联邦学习方法及*** Active CN114978893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210406167.2A CN114978893B (zh) 2022-04-18 2022-04-18 一种基于区块链的去中心化联邦学习方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210406167.2A CN114978893B (zh) 2022-04-18 2022-04-18 一种基于区块链的去中心化联邦学习方法及***

Publications (2)

Publication Number Publication Date
CN114978893A CN114978893A (zh) 2022-08-30
CN114978893B true CN114978893B (zh) 2024-04-12

Family

ID=82976455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210406167.2A Active CN114978893B (zh) 2022-04-18 2022-04-18 一种基于区块链的去中心化联邦学习方法及***

Country Status (1)

Country Link
CN (1) CN114978893B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808123B (zh) * 2024-02-28 2024-07-05 东北大学 一种基于多中心分层联邦学习的边缘服务器再分配方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307331A (zh) * 2020-10-14 2021-02-02 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
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
WO2021159753A1 (zh) * 2020-09-21 2021-08-19 平安科技（深圳）有限公司 一种联邦学习模型训练方法、装置、终端设备及存储介质
CN113379066A (zh) * 2021-06-10 2021-09-10 重庆邮电大学 一种基于雾计算的联邦学习方法
CN113467928A (zh) * 2021-05-20 2021-10-01 杭州趣链科技有限公司 基于区块链去中心化的联邦学习成员推理攻击防御方法和装置
CN113794675A (zh) * 2021-07-14 2021-12-14 中国人民解放军战略支援部队信息工程大学 基于区块链和联邦学习的分布式物联网入侵检测方法及***
CN113837761A (zh) * 2021-11-26 2021-12-24 北京理工大学 一种基于区块链和可信执行环境的联邦学习方法及***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210406782A1 (en) * 2020-06-30 2021-12-30 TieSet, Inc. System and method for decentralized federated learning
US20220044117A1 (en) * 2020-08-06 2022-02-10 Nec Laboratories America, Inc. Federated learning for anomaly detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021159753A1 (zh) * 2020-09-21 2021-08-19 平安科技（深圳）有限公司 一种联邦学习模型训练方法、装置、终端设备及存储介质
CN112307331A (zh) * 2020-10-14 2021-02-02 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
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
CN113467928A (zh) * 2021-05-20 2021-10-01 杭州趣链科技有限公司 基于区块链去中心化的联邦学习成员推理攻击防御方法和装置
CN113379066A (zh) * 2021-06-10 2021-09-10 重庆邮电大学 一种基于雾计算的联邦学习方法
CN113794675A (zh) * 2021-07-14 2021-12-14 中国人民解放军战略支援部队信息工程大学 基于区块链和联邦学习的分布式物联网入侵检测方法及***
CN113837761A (zh) * 2021-11-26 2021-12-24 北京理工大学 一种基于区块链和可信执行环境的联邦学习方法及***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Blockchain-Based Federated Learning Against End-Point Adversarial Data Corruption;Yuwei Sun等;《2020 19th IEEE International Conference on Machine Learning and Applications》;全文 *
Federated Cooperation and Augmentation for Power Allocation in Decentralized Wireless Networks;Mu Yan等;《IEEE Access》;全文 *
SOPC based optimized feedrate scheduling for NURBS interpolation;Shiyuan Yang等;《2014 IEEE International Conference on Mechatronics and Automation》;全文 *
基于长短期记忆网络(LSTM)的数据中心温度预测算法;徐一轩;伍卫国;王思敏;胡壮;崔舜;;计算机技术与发展(第12期);全文 *
联邦学习在5G云边协同场景中的原理和应用综述;刘耕;赵立君;陈庆勇;唐小勇;游正鹏;;通讯世界(第07期);全文 *
面向联邦学习的共享数据湖建设探讨;刘扬;;网络安全和信息化(第09期);全文 *

Also Published As

Publication number Publication date
CN114978893A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
US12003618B2 (en) Methods and systems for a heterogeneous multi-chain framework
Baza et al. B-ride: Ride sharing with privacy-preservation, trust and fair payment atop public blockchain
CN109559120B (zh) 基于权重的区块链共识方法、***、存储介质及电子设备
US20190102163A1 (en) System and Method for a Blockchain-Supported Programmable Information Management and Data Distribution System
US10554407B1 (en) Protocols for decentralized networks
CN108846673B (zh) 一种区块数据的处理方法、装置、设备和存储介质
KR20200059234A (ko) 분산 조정을 사용한 스마트 계약 실행
CA3088610A1 (en) Blockchain methods, nodes, systems and products
CN113395363B (zh) 基于区块链的数据处理方法、装置、设备及存储介质
CN109598147B (zh) 基于区块链的数据处理方法及装置、电子设备
CN110489946B (zh) 基于区块链的版权认证方法、装置、设备和存储介质
CN111191283A (zh) 基于联盟区块链的北斗定位信息安全加密方法及装置
CN112612856B (zh) 基于区块链的数据处理方法和装置
JP2022532886A (ja) ブロックチェーンへの包含のためのトランザクションの適応性
CN114978893B (zh) 一种基于区块链的去中心化联邦学习方法及***
Bruschi et al. Tunneling trust into the blockchain: A merkle based proof system for structured documents
CN114866562B (zh) 面向电力能源***的区块链共识方法及***
US11570001B1 (en) Protocols for decentralized networks
Baza Blockchain-based secure and privacy-preserving schemes for connected vehicles
Feng et al. A Near‐Optimal Truthful Online Auction for Efficient Crowdsourced Data Trading with Dynamic Data Owners and Dynamic Data Requests
CN113435949B (zh) 基于智能合约的去中心化联邦机器学习方法、***及存储介质
Abuhashim et al. Blockchain-based internet-of-vehicle
WO2019232259A1 (en) Decentralized data storage and voting protocol
Li Proof of Training (PoT): Harnessing Crypto Mining Power for Distributed AI Training
Chen et al. An Efficient Permissioned Blockchain with Provable Reputation Mechanism

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