[发明专利]一种基于区块链的异步联邦学习方法、装置及电子设备

权利要求书

1.一种基于区块链的异步联邦学习方法，其特征在于，应用于区块链，包括如下步骤：

接收并存储至少部分区块链节点中的任一目标区块链节点上传的本地模型，所述本地模型为与所述目标区块链节点关联的设备根据本地样本对区块链上存储的第一全局模型进行本地训练得到；

接收与所述至少部分区块链节点中任一区块链节点关联的设备上传的多个第二全局模型，所述第二全局模型为与所述至少部分区块链节点关联的设备根据区块链中的第一全局模型以及所述本地模型进行全局融合得到；

按照目标条件，在所述多个第二全局模型中选取目标全局模型，并将所述目标全局模型作为新的第一全局模型存储至区块链中；

重复所述接收并存储至少部分区块链节点中的任一目标区块链节点上传的本地模型至所述按照目标条件，在所述多个第二全局模型中选取目标全局模型，并将所述目标全局模型作为新的第一全局模型存储至区块链中的步骤，直至所述目标全局模型的准确度满足目标准确条件。

2.根据权利要求1所述的方法，其特征在于，所述接收并存储至少部分区块链节点中的任一目标区块链节点上传的本地模型，包括：

将所述本地模型在区块链中进行广播并对上传所述本地模型的与所述目标区块链节点关联的设备身份进行验证；

当通过验证时，将所述本地模型存储至区块链。

3.根据权利要求1所述的方法，其特征在于，还包括：接收并存储与所述目标区块链节点关联的设备的评估结果，所述评估结果表征所述设备的可信程度。

4.根据权利要求1所述的方法，其特征在于，还包括：

判断预设间隔时间内，是否存在区块分叉；

当存在区块分叉，则重复所述将所述目标全局模型作为新的第一全局模型存储至区块链中的步骤，直至不存在区块分叉。

5.一种基于区块链的异步联邦学习方法，其特征在于，应用于与任一区块链节点关联的设备，包括如下步骤：

从区块链中获取第一全局模型以及本地模型，所述本地模型为根据本地样本对区块链上存储的第一全局模型进行本地训练的设备上传得到；

对所述第一全局模型以及所述本地模型进行全局融合，得到第二全局模型；

将所述第二全局模型上传至区块链中，使得所述区块链按照目标条件，在所述第二全局模型中选取目标全局模型，并将所述目标全局模型作为新的第一全局模型进行存储；

当任意一个与目标区块链节点关联的设备完成本地训练，将本地模型传入区块链，重复所述从区块链中获取第一全局模型以及本地模型的步骤到所述将所述第二全局模型上传至区块链中的步骤，使得所述区块链在第二全局模型中选取的目标全局模型的准确度满足目标准确条件。

6.根据权利要求5所述的方法，其特征在于，还包括：

根据本地样本对区块链上存储的第一全局模型进行本地训练，得到本地模型；

将所述本地模型上传至所述区块链。

7.根据权利要求5所述的方法，其特征在于，对所述第一全局模型以及所述本地模型进行全局融合，得到第二全局模型，包括：

从区块链中获取上传所述本地模型的设备的评估结果；

根据所述评估结果，对所述第一全局模型以及所述本地模型进行全局融合，得到第二全局模型。

8.根据权利要求7所述的方法，其特征在于，还包括：

根据预设指标，对所述区块链中与任一区块链节点关联的设备进行评估，得到设备的评估结果。

9.根据权利要求8所述的方法，其特征在于，通过以下公式得到设备的评估结果：

其中，S_j为设备j的评估结果，n为预设指标个数，为第j个设备的第k个指标的标准化分数，当第k个指标为正向指标时，当k个指标为负向指标时，为第j台设备的第k个指标数值，w_k为第k个指标的熵权，e_k为第k个指标的信息熵，为第j个设备的第k个指标权重比例，N_d为总设备台数，