[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

说明书

本发明提供了一种基于区块链的联邦学习处理方法、装置、区块链网络系统以及存储介质，其中的方法包括：控制各个区块节点基于测试样本对深度学习模型进行模型训练；获取各个区块节点完成模型训练的本地训练时长信息，确定进行联邦学习的可信区块节点；各个区块节点使用联邦学习算法和训练数据进行训练，获得模型参数的梯度数据；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。本公开的方法、装置以及存储介质，通过区块链技术进行联邦数据共享，寻找最佳性能的区块节点成为可信第三方机构，能够提升模型训练的收敛速度以及精度；可以实现去中心化，取消联邦学习中对于第三方证书机构或者其他可信实体机构的中心化依赖。

技术领域

本发明涉及区块链技术领域，尤其涉及一种基于区块链的联邦学习处理方法、装置、区块链网络系统以及存储介质。

背景技术

区块链技术可以基于共识机制进行结块处理来保存信息，从而保证信息不可篡改，提高信息安全性。联邦学习(Federated Learning)指的是多个数据拥有方在原始数据不出本地的情况下也可进行模型训练并得到最终模型的计算过程，并且保证模型效果与聚合训练效果的差距足够小。目前，可以在区块链场景下利用联邦学习方法进行模型训练，但是，在训练中无法有效识别参与节点的模型训练能力，容易出现降低模型训练的收敛速度以及模型的精度的情况。

发明内容

有鉴于此，本发明要解决的一个技术问题是提供一种基于区块链的联邦学习处理方法、装置、区块链网络系统以及存储介质。

根据本公开的第一方面，提供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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。

可选地，所述深度学习模型包括：基于神经网络的声纹模型。