[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

说明书

本发明提供一种基于区块链的异步联邦学习方法、装置及电子设备，方法包括：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；接收与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，第二全局模型为与区块链节点关联的设备根据第一全局模型以及本地模型进行全局融合得到；按照目标条件，选取目标全局模型，并将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按照目标条件，在多个第二全局模型中选取目标全局模型，并将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，直至目标全局模型的准确度满足目标准确条件。

技术领域

本发明涉及智能驾驶领域，具体涉及一种基于区块链的异步联邦学习方法、装置及电子设备。

背景技术

随着机器学习技术的快速发展，伴随着机器学习的出现，出现了许多新颖的移动应用，如自动驾驶、销售预测、视觉安全等，给用户带来了良好的服务体验。在机器学习技术显著提高移动应用性能的同时，物联网中使用的传统机器学习技术需要大量设备将包含个人信息的数据放入中央服务器进行模型训练。这导致了计算开销和中央服务器损失的急剧增加。同时，集中化用户数据的需要引起了人们对隐私和信息滥用的关注。为了应对这些挑战，联邦学习被引入作为一种新的特殊的分布式机器学习方法。联邦学习以一种分散的方式协同训练一个全局模型。移动设备只是迭代地训练本地模型，然后上传自己的本地训练模型，并将本地模型发送到中央服务器进行汇总。因为没有用户原始训练数据的传输，联邦学习成功地保护了用户的隐私，并将数据采集、训练和存储模型的机器学习过程解耦。

相关技术中，为了保证联邦学习过程中防篡改的能力，一般将联邦学习与区块链结合，然而，传统的联邦学习为同步联邦学习，同步联邦学习中训练速度快的设备需要等待最慢的设备训练完成才能上传本地模型，也就是说，每一轮训练只能以最慢设备的训练速度进行训练，使得联邦学习设备无法在本地更新完成后及时上传本地模型，导致联邦学习效率低下。

发明内容

有鉴于此，本发明实施例提供了一种基于区块链的异步联邦学习方法、装置及电子设备，以解决现有技术中联邦学习效率低下的缺陷。

根据第一方面，本发明实施例提供一种基于区块链的异步联邦学习方法，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。

可选地，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。

可选地，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。

可选地，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。