一种基于区块链监管的联邦学习方法与流程

技术特征：
1.一种基于区块链监管的联邦学习方法，其特征在于：模型需求方在获得数据使用权限之后，向聚合服务器发送模型训练请求，并组装请求信息成第一交易发送至区块链网络，交易验证通过之后，由区块链共识算法选举出有记账权的节点，把交易记录在区块链上；开始第一次迭代，聚合服务器接收模型训练请求，评估各个参与方的网络和服务器配置，筛选出符合要求的参与方节点，并向其发送初始模型参数，开始模型训练；之后每一次迭代，聚合服务器接收各个参与方的加密梯度信息，对其进行解密后通过聚合所述梯度信息，获得全局梯度信息，加密后发送给各个参与方；每一次迭代时，聚合服务器把所述全局梯度信息和各参与方的信息组装成第二交易发送至区块链网络，交易验证通过之后，由区块链共识算法选举出有记账权的节点，把交易记录在区块链上；各参与方接受模型训练请求，开始模型训练，从聚合服务器获取所述初始模型参数，并把第三交易发送至区块链，交易验证通过之后，由区块链共识算法选举出有记账权的节点，把交易记录在区块链上；各参与方利用本地数据进行模型训练，多次迭代后得到新的梯度，加密新梯度；各参与方将加密后的梯度发送给聚合服务器，并把第四交易发送至区块链，交易验证通过之后，由区块链共识算法选举出有记账权的节点，把交易记录在区块链上；达到迭代终止条件之后，聚合服务器将最终模型发送给模型需求方。2.根据权利要求1所述的方法，其特征在于，所述模型需求方向聚合服务器发送的模型训练请求信息包括需求方信息、初始模型参数和允许参与本次训练的参与方的唯一标识信息。3.根据权利要求1或2所述的方法，其特征在于，所述第一交易的信息以明文的形式组装。4.根据权利要求1或2所述的方法，其特征在于，所述全局梯度信息进行加密处理之后发给各个参与方，在达到迭代终止条件之后不再向参与方发送所述全局梯度信息。5.根据权利要求1或2所述的方法，其特征在于，所述第三交易包括接收到的梯度、接收时间、聚合服务器标识信息、和参与方标识信息。6.根据权利要求1或2所述的方法，其特征在于，所述第四交易包括新的加密梯度、参与方标识和聚合服务器标识。7.根据权利要求1或2所述的方法，其特征在于，所述参与方把数据字典变量发布在所述聚合服务器上，模型需求方根据自己的数据需求检索字典变量，然后向参与方发送数据使用请求，在获得数据使用权限之后开始进行模型训练。8.根据权利要求1或2所述的方法，其特征在于，所述参与方在接收到聚合服务器的模型训练指示之后，从所述聚合服务器下载初始模型参数，使用本地数据进行模型训练，之后上传参数至聚合服务器，获取服务器全局参数更新本地模型，在满足迭代终止条件之后结束训练。9.根据权利要求1或2所述的方法，其特征在于，
所述模型需求方在所述聚合服务器上检索需要的字典变量，并向参与方发送申请，获取数据使用权限；在获得足够数量的数据后，向所述聚合服务器发送模型训练请求，由所述聚合服务器上启动训练过程，等待模型训练结束之后，获得最终的模型。10.根据权利要求1或2所述的方法，其特征在于，所述聚合服务器在接收到模型训练请求时，将该请求及请求信息加密处理上链，然后根据网络条件选择合适的参与方，开始本次模型训练。

技术总结
本发明实施例提供一种基于区块链监管的联邦学习方法。本发明中区块链及联邦学习的各自功能相对独立：模型训练由联邦学习模块进行，区块链负责监管模型训练的过程。参与方把数据字典变量发布在平台上，模型需求方根据自己的数据需求去检索字典变量，随后向参与方发送数据使用请求；在获得数据使用权限之后才可以开始进行模型训练。模型需求方在获取各参与方的数据使用权限后方可进行联邦学习。本发明便于部署，对参与方节点的部署条件要求相对较低；模型训练过程的通信开销较小、等待时间较短；模型训练过程通过区块链监管，操作参数和训练结果保密，只对参加训练的节点开放，平衡了公开性和隐私性。了公开性和隐私性。了公开性和隐私性。


技术研发人员：李潇 李安 付春凤 张婷
受保护的技术使用者：浙江省北大信息技术高等研究院
技术研发日：2021.11.03
技术公布日：2022/3/15