(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210610745.4 (22)申请日 2022.06.01 (65)同一申请的已公布的文献号 申请公布号 CN 114692098 A (43)申请公布日 2022.07.01 (73)专利权人 中国海洋大学 地址 266100 山东省青岛市崂山区松岭路 238号 (72)发明人 王晓东　谭雨欣　魏志强　李晓璇　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 专利代理师 赵梅 (51)Int.Cl. G06F 21/12(2013.01) G06F 21/62(2013.01)G06F 21/64(2013.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (56)对比文件 CN 112950222 A,2021.0 6.11 US 20201932 92 A1,2020.0 6.18 US 2019222586 A1,2019.07.18 CN 113992360 A,2022.01.28 张君如等.面向用户隐私保护的联邦安全树 算法. 《计算机 应用》 .2020,(第10期), 审查员 王青 (54)发明名称 基于区块链和联邦学习的软件行为智能管 控方法 (57)摘要 本发明属于互联网技术领域， 公开了提供一 种基于区块链和联邦学习的软件行为智能管控 方法， 包括以下步骤： （1） 构建单节点的软件行为 分类模型 （2） 构建面向软件行为分类模 型多节点 联合训练任务的联盟链， 将上一步构建的软件行 为分类模型作为各节点本地训练的模 型， 并结合 区块链和联邦学习技术， 实现联盟链上的各节点 在无中心节 点驱动的情况下， 多方协同训练软件 行为分类模型； （3） 设计软件行为智能管控客户 端工具， 实时感知用户使用计算机时产生的软件 行为数据， 输入到软件行为分类模 型并根据分类 结果对软件 行为智能管控。 通过本发 明实现在保 护用户数据隐私的前提下提升软件弹窗行为分 类准确率， 能根据用户的软件喜好实现弹窗行为 的智能管控。 权利要求书3页 说明书9页 附图4页 CN 114692098 B 2022.08.26 CN 114692098 B 1.基于区块链和联邦学习的软件行为智能管控方法， 其特 征在于， 包括以下步骤： （1） 构建单节点的软件行为分类模型， 包括软件行为感知与存储、 构建软件行为数据 集、 设计软件弹窗用户界面内容识别和软件行为分类模型网络结构的步骤； （2） 构建面向软件行为分类模型多节点联合训练任务的联盟链， 将上一步构建的软件 行为分类模型作为各节点本地训练的模型， 并结合区块链和联邦学习技术， 实现联盟链上 的各节点在无中心节点驱动的情况下， 多方协同训练软件行为分类模型， 包括设计软件行 为分类模型联合训练任务的联盟链架构、 定义链上区块结构和联合训练流程、 设计模型聚 合算法和编写软件行为分类模型联合训练过程中的智能合约的部分； 所述模型聚合算法， 根据各数据提供节点本地模型的摘要信息调整各自本地模型的聚合权重， 调整本地模型参 数在更新的全局模型参数中的占比， 增加高质量模型参数在聚合模型中的权重占比； 各数 据提供节点对模型 的贡献度通过节点在第k轮本地训练迭代的模型损失确定， 使用交叉熵 评估各节点的本地模型损失， 将模型聚合 算法的模型贡献度权 重定义为： 和 分别为 节点和 节点的交叉熵损 失函数， 为输 入参数， 为期望输出， 则基于模型贡献度权重的模型 聚合算法中更新全局模型参数的过 程可以表示 为： 其中， 表示第k‑1轮聚合之后的全局模型参数， n为参与本轮模型聚合的节点数， 为节点 在第k轮模型聚合中 的模型贡献度 权重， 为节点 在第k轮本 地更新后的模型参数， 为节点 在 的本地数据的平均梯度， 为第k轮聚合后 的全局模型参数； （3） 设计软件行为智能管控客户端工具， 实时感知用户使用计算机时产生的软件行为 数据， 并输入构建的软件行为分类模型， 为软件行为分类， 获得分类结果， 根据分类结果对 软件行为智能管控。 2.根据权利要求1所述的基于区块链和联邦学习的软件行为智能管控方法， 其特征在 于， 步骤 （1） 中具体步骤如下： （1.1） 软件行为感知与存储： 分析不同弹窗类软件的自动弹窗原理， 实时感知各类多维 度软件的行为数据， 并存 储； （1.2） 构建软件行为数据集： 将存储的多维度软件行为数据进行数据清洗， 然后对弹窗 软件的行为数据做标注， 由用户判断是否喜欢该内容并标注， 将标注过的软件行为数据作 为最终的训练与测试 数据集； （1.3） 软件弹窗用户界面内容识别： 对软件弹窗用户界面中的文本内容进行识别， 并将 其作为后续软件行为分类模型输入的一部分；权　利　要　求　书 1/3 页 2 CN 114692098 B 2（1.4） 构建软件行为分类模型： 分别将软件弹窗用户界面内容的识别结果、 进程行为数 据和网络行为数据映射为特征向量形式并将特征向量以不同权重进行融合， 然后通过深度 神经网络进行特征学习， 最后将学习到的特征向量输入到概率输出层， 输出每个类别的概 率， 实现对软件弹窗行为的分类。 3.根据权利要求1所述的基于区块链和联邦学习的软件行为智能管控方法， 其特征在 于， 步骤 （2） 基于Hyperledger  Fabric设计了面向软件行为分类模型联合训练任务的联盟 链架构， 建立起去中心化软件行为分类模型联合训练框架， 框架用到的区块链类型为联盟 链， 该联盟链只记录模型训练任务信息、 节点本地模型的摘要信息、 共享模型参数信息， 各 节点无需上传本地软件行为数据； 联盟链中节点的角色分为任务协调节点和数据提供节 点， 任务协调节点负责发布软件行为分类模型联合训练任务、 初始 化全局模型， 最 终通过提 取全局模型参数来完成此次任务； 数据提供节点负责针对任务协调节点 发布的软件行为分 类模型联合训练任务， 使用本地软件行为数据集训练模型， 并上传本地模型 的摘要信息与 模型参数， 以完成此次任务； 在已初始化构建联盟链的去中心化网络上， 软件行为分类模型联合训练流程的详细步 骤如下： （2.1） 任务协调节点向联盟链系统发布学习训练任务描述并初始化全局模型参数， 然 后新增一个软件 行为分类联合训练任务， 其中， 初始全局模 型选用步骤 （1） 构建的软件行为 分类模型； （2.2） 参与此次任务的数据提供节点形成一个集合， 然后从联盟链中获取联合训练任 务信息和全局模型参数并解密， 基于本地的软件行为数据集执行联邦学习， 协作训练同一 个机器学习模型； （2.3） 各数据提供节点在每一轮迭代训练结束后将本地模型的摘要数据和加密后的模 型参数作为交易内容发起交易， 然后由智能合约评估各节点对模型做出 的贡献， 并仅保留 符合要求的模型交易信息 至联盟链上； （2.4） 在每轮迭代训练结束后， 智能合约计算各节点对全局模型贡献度的权重， 然后 基 于权重实现模型参数的聚合并更新全局模型， 判断全局模型是否拟合或达到最大迭代次 数； 如果达到此条件， 则判定本次联合训练任务完成， 然后通知任务协调节点； 如果未达到 此条件， 则将聚合后的全局模型打包成区块并发布下一轮的迭代训练任务， 各节点开始下 一轮的迭代训练， 继续执 行步骤 （2.2） ； （2.5） 任务协调节点提取全局模型参数并验证模型的有效性以结束此次联合训练任 务。 4.根据权利要求3所述的基于区块链和联邦学习的软件行为智能管控方法， 其特征在 于， 联合训练过程中， 编写智能合约， 每轮迭代包括三个过程： 1） 任务协调节点或调用智能 合约发布软件行为分类模型联合训练任务， 将任务信息记录在区块链上后， 各数据提供节 点请求并接 收此模型训练任务相关数据， 在此过程中， 数据提供节点将调用智能合约通过 获取分类帐得到相关数据； 2） 获取全局模型参数后， 各数据提供节点基于私有的软件行为 数据集进 行本地训练， 然后 将得到的模型摘要信息和加密后的模型参数发送回区块链网络 中， 这时会调用智能合约的一个函数， 这个函数会以本轮各个节点传输的模型摘要信息和 模型参数作为输入， 验证交易中模型摘要信息， 仅保留能够提升模型准确 率或着样本数达权　利　要　求　书 2/3 页 3 CN 114692098 B 3