[发明专利]基于哈希图和联邦学习的数据安全共享的方法

权利要求书

1.基于hashgraph和联邦学习的数据安全共享方法，其特征在于，通过在区块链3.0技术hashgraph共识算法中加入对联邦学习本地模型的检测，防止不诚实的节点提供错误模型，同时，联邦学习的数据模型通过对本地模型进行加权聚合的方法实现，具体包括：

(1)所述的通过在区块链3.0技术hashgraph共识算法中加入对联邦学习本地模型的检测，防止不诚实的节点提供错误模型的方法如下：

客户端是用本地数据在本地训练本地模型，并将本地模型采用谣言算法在区块链网络中传播，同时用虚拟投票算法对模型的精确度进行投票，并收集区块链中所有其他用户的投票结果，若超过1/2的参与者投赞成票，则认为模型提供者是可靠的，模型可用，否则，认为模型提供者是不可靠的，将其从区块链中去除；最终将每个可靠的本地模型进行加权集合，得到联邦学习的训练模型；

(2)所述的hashgraph的不诚实节点检测流程主要包括：生成事件，采用八卦算法Gossip通信，采用虚拟投票算法进行共识，主要流程如下：

(2-1)所述的生成不诚实节点检测的事件：每个事件主要包括：时间戳，本节点父hash，其他结点的父hash，事件内容，其中，事件内容包括：数据类型，本地模型索引，所得的赞成票数，本地模型是否有效；

(2-2)所述的八卦算法的主要流程：本地节点生成事件后，随机选择另一结点作为目的结点，并将该节点已知但所选节点不知道的数据发送给所选节点；当节点接收到包含新信息的数据时，它首先执行所有尚未执行的新事务信息，并检查本地模型的可用性，对本地模型进行投票，然后通过选择另一个随机节点重复相同的过，直到所有节点都收到该事件；

(2-3)所述的虚拟投票算法的主要流程主要分为：轮次确定、知名见证人确定和模型可靠性投票收集、共识轮数和共识时间确定三个步骤：

①轮次确定：一个结点所发的第一个事件是见证人事件，同时，这个见证人事件是这个结点的一轮(r)的开始；假定节点B接收到结点A发送的事件X后，结点B将选择结点C作为接收结点，则结点B创建事件Y(其中包括结点B知道而结点C不知道的数据)并将Y发送节点C,在创建事件Y之前,B节点应该检查是否需要开始新一轮,如果事件X可以看到绝大多数的第r轮的见证人,事件Y是r+1轮的开始,Y是r+1轮的见证人；否则，事件Y仍在r轮中；

②知名见证人确定和模型可靠性投票收集知名见证人确定和模型可靠性投票收集：当判断第r轮的见证人是否是知名见证人的时候，需要由第R+1轮的见证人来判断，则再由r+2轮的见证人来统计是否是知名见证人票数和第r轮的见证人事件中包含的本地模型是否可靠的票数；若第r+1轮的B节点的见证人能看见第r轮的A节点的见证人，则r+1轮的B节点的见证人给第r轮的A节点的见证人投是知名见证人票；r+2轮的C节点的见证人收集它能强可见的r+1轮的B节点(或其他节点)的证明A节点是知名见证人的票数，当票数超过三分之二节点数的时候，则A节点的见证人是知名见证人；当收集的本地模型可靠的票数超过1/2节点数时，本地模型有效；

③共识轮数和共识时间确定：当第r轮的见证人都确定了是否是知名见证人，则能被所有第r轮知名见证人可见的事件的接收轮次为r；事件x到各个可见它的见证人节点中，最早可见x的事件，比如：事件x在A节点,A.B.C节点都可见x，则A节点最早可见x的就是x，B节点就是第一次将x传到B节点的事件，C节点同B节点，则找到的三个事件中的时间戳的中位数就是事件x的共识时间戳，将共识时间戳，共识轮数，本地模型获得的赞成票数，本地模式是否有效，存储在区块链中；

(3)将所有本地模型乘以加权系数得到联邦学习模型，其加权系数主要由以下两部分组成：本地模型数据量占总数据量的比值，本地模型所得的赞同票数和总的参与模型客户端的数量的比值。

2.根据权利要求1所述的方法，其特征是，使用深度学习算法计算本地模型w_i(t)，使用同态加密算法对w_i(t)进行加密得到w′_i(t)，将w′_i(t)发送到hashgraph中进行检测，如果检测出w′_i(t)是不诚实提供者，则m_i＝0,否则m_i＝1，w′_i(t)的权重系数为：

其中，k_i是第i个模型提供者的本地数据量，k是所有模型提供者的数据总量，N_i是给w′_i(t)投赞成票的票数，I是模型提供者的数量，则联邦学习模型为：