(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210406167.2 (22)申请日 2022.04.18 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 伍卫国　王雄　杨诗园　柴玉香　 张超　张祥俊　刘松　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 李鹏威 (51)Int.Cl. H04L 41/0806(2022.01) H04L 41/0823(2022.01) H04L 41/14(2022.01) H04L 41/16(2022.01) H04L 41/042(2022.01)H04L 9/32(2006.01) (54)发明名称 一种基于区块链的去中心化联邦学习方法 及系统 (57)摘要 本发明公开了一种基于区块链的去中心化 联邦学习方法及系统， 通过将 本地设备和边缘服 务器进行系统注册并初始化； 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。 权利要求书1页 说明书5页 附图3页 CN 114978893 A 2022.08.30 CN 114978893 A 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 缘服务器进行系统注 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。 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， 本地 设备和边缘服务器进 行系统注册并初始 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。 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， 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。 4.根据权利要求3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。 5.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， 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。 6.根据权利要求5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。 7.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。 8.一种基于区块链的去中心化联邦学习系统， 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系统注册以及初始化， 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。 9.根据权利要求8所述的一种基于区块链的去中心化联邦学习系统， 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。 10.根据权利要求8所述的一种基于区块链的去中心化联邦学习系统， 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。权　利　要　求　书 1/1 页 2 CN 114978893 A 2一种基于区块链的去中心化联邦学习方 法及系统 技术领域 [0001]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 邦学习方法及系统。 背景技术 [0002]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。 [0003]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 [0004]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系统， 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 得模型训练系统的宽带利用率、 网络通信负载以及联邦学习的模型达 到理想的指标。 [0005]一种基于区块链的去中心化联邦学习方法， 包括以下步骤： [0006]S1， 将本地设备和边 缘服务器进行系统注 册并初始化； [0007]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； [0008]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。 [0009]进一步的， 本地设备和边缘服务器进行系统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。 [0010]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。 [0011]进一步的， 边缘服务器根据模型请求信息生成初始模型。 [0012]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。说　明　书 1/5 页 3 CN 114978893 A 3