[发明专利]基于区块链的联邦学习处理方法、装置、系统以及介质

权利要求书

1.一种基于区块链的联邦学习处理方法，包括：

获取测试样本，将所述测试样本发送给区块链网络中、需要进行模型训练的各个区块节点；

在所述各个区块节点中部署深度学习模型，控制各个区块节点基于所述测试样本对部署在本地的深度学习模型进行模型训练；

获取所述各个区块节点完成所述模型训练的本地训练时长信息，基于所述本地时长信息确定进行联邦学习的可信区块节点；

生成联邦学习任务，基于所述联邦学习任务向所述各个区块节点发送联邦学习的训练命令，以使所述各个区块节点使用联邦学习算法和训练数据，对部署在本地的深度学习模型进行训练，获得模型参数的梯度数据；

所述可信区块节点获取其他区块节点的梯度数据，进行梯度聚合处理。

2.如权利要求1所述的方法，所述基于所述本地时长信息确定进行联邦学习的可信区块节点包括：

获取全部本地时长信息；

将与所述全部本地时长信息中的最短本地时长信息相对应的区块节点确定为所述可信区块节点。

3.如权利要求1所述的方法，还包括：

在基于所述测试样本进行模型训练时，根据预设的模型难度更新机制，对部署所述各个区块节点中的深度学习模型进行训练难度改变处理；

在所述训练难度改变处理完成后，控制各个区块节点进行所述模型训练。

4.如权利要求1所述的方法，所述可信区块节点获取其他区块节点的梯度数据，进行梯度聚合处理包括：

所述可信区块节点基于其他区块节点的梯度数据进行聚合处理，生成梯度聚合数据；

所述可信区块节点执行预设的执行合约，将所述梯度聚合数据广播给所述其他区块节点，以使所述其他区块节点存储所述梯度聚合数据，并根据所述梯度聚合数据更新部署在本地的所述深度学习模型。

5.如权利要求4所述的方法，还包括：

所述可信区块节点基于预设的密码生成机制生成公私钥对，将所述公私钥对发送给所述其他区块节点；

所述可信区块节点和所述其他区块节点基于所述公私钥对进行数据传输。

6.如权利要求5所述的方法，还包括：

所述其他区块节点使用所述公私钥对中的公钥对所述梯度数据进行加密，并将加密的所述梯度数据发送给所述可信区块节点；

所述可信区块节点使用所述公私钥对中的私钥对加密的所述梯度数据进行解密，获得所述梯度数据。

7.如权利要求5所述的方法，还包括：

所述可信区块节点使用所述公私钥对中的公钥对所述梯度聚合数据进行加密处理，并将加密的所述梯度聚合数据发送给所述其他区块节点；

所述其他区块节点使用所述公私钥对中的私钥对加密的所述梯度聚合数据进行解密，获得所述梯度聚合数据。

8.如权利要求1至7任一项所述的方法，其中，

所述深度学习模型包括：基于神经网络的声纹模型。

9.一种基于区块链的联邦学习处理装置，包括：

测试样本处理模块，用于获取测试样本，将所述测试样本发送给区块链网络中、需要进行模型训练的各个区块节点；

模型训练测试模块，用于在所述各个区块节点中部署深度学习模型，控制各个区块节点基于所述测试样本对部署在本地的深度学习模型进行模型训练；

可信节点确定模块，用于获取所述各个区块节点完成所述模型训练的本地训练时长信息，基于所述本地时长信息确定进行联邦学习的可信区块节点；

模型学习处理模块，用于生成联邦学习任务，基于所述联邦学习任务向所述各个区块节点发送联邦学习的训练命令，以使所述各个区块节点使用联邦学习算法和训练数据，对部署在本地的深度学习模型进行训练，获得模型参数的梯度数据；

其中，所述可信区块节点获取其他区块节点的梯度数据，进行梯度聚合处理。