[发明专利]一种基于区块链的联邦学习数据审计系统及方法

权利要求书

1.一种基于区块链的联邦学习数据审计系统，包括：

模型买家，发布待训练模型参数和训练任务需求至其所拥有的数据交换节点，并在数据交换节点设置若干测试集；当模型买家从某聚合节点获取新的聚合梯度密文，向聚合节点购买联合私钥用于解密聚合梯度密文，得到新梯度用于更新模型；

数据交换节点，存储模型买家提供的待训练模型参数，并设置测试集；在收到计算节点的注册申请后，向计算节点发放多密钥同态加密的公钥和私钥，并在计算节点申请参与训练时发放待训练模型；

若干计算节点，各计算节点经过身份认证后，向数据交换节点注册，获得多密钥同态加密的公钥和私钥，并请求模型参数进行训练，根据获得的模型和自带的本地数据，对获得的模型进行训练，获得梯度，并对本地梯度进行测试，获取本地贡献度，并记录下测试集的标识符；与其他已完成训练且有相同测试集标识符的若干计算节点组成一个集合，并求出该集合的部分子集，根据每个节点的私钥分片计算出该集合及其部分子集对应的联合私钥并在本地保存；使用加密公钥对梯度消息进行同态加密后，将密文、本地贡献度、标识符和联合私钥传输至包含聚合节点的联盟链；其中，所述对本地梯度进行测试，获取本地贡献度，具体为：使用本地梯度对当前模型进行更新，从数据交换节点下载某个测试集，测试新模型得到精度结果，将精度作为该梯度的本地贡献度；

若干聚合节点，收集传输至联盟链的计算节点集合、梯度密文、本地贡献度、测试集标识符和联合私钥，对集合中的所有梯度密文进行同态聚合，使用集合所对应的联合私钥对聚合后的密文进行解密，获得聚合梯度结果；测试聚合梯度贡献度，若数值异常，则计算其若干子集的贡献度，通过多次对比不同子集间的节点差异和贡献度差异，定位异常节点，对异常节点反馈并作惩罚；尝试将获得的计算节点集合及其所有梯度密文、本地贡献度、测试集标识符写入聚合节点内的某一新区块中，当生成新区块后，聚合节点将当前聚合节点上的所有相关的聚合梯度密文发送至模型买家。

2.如权利要求1所述的一种基于区块链的联邦学习数据审计系统，其特征在于：当模型买家获取新的聚合梯度密文，查询密文所对应的参与该密文聚合的计算节点集合，向聚合节点购买对应的联合私钥用于解密聚合梯度密文。

3.如权利要求1所述的一种基于区块链的联邦学习数据审计系统，其特征在于：各计算节点向所述数据交换节点申请参与训练，使用数字签名算法中的私钥对申请报文进行签名以用于身份认证；在获得所述数据交换节点的许可后，从数据交换节点下载待训练的模型，由数据交换节点对计算节点分发多密钥同态加密的加密公钥和解密私钥。

4.如权利要求1所述的一种基于区块链的联邦学习数据审计系统，其特征在于：当计算节点训练完成后，使用本地梯度对当前模型进行更新，从数据交换节点下载某个测试集，测试新模型得到精度结果，将精度作为该梯度的本地贡献度，并记录下测试集的标识符。

5.如权利要求1所述的一种基于区块链的联邦学习数据审计系统，其特征在于：在聚合节点检查某集合相关的聚合梯度贡献度时，如果模型精度出现异常，对该集合不同子集中的若干参与方的梯度密文分别进行聚合并使用标识符对应的测试集进行测试，获得若干子集的贡献度，对比子集间节点差异和贡献度差异，定位异常节点，对异常节点反馈并作惩罚。

6.如权利要求5所述的一种基于区块链的联邦学习数据审计系统，其特征在于：当聚合节点审计每个集合时，对比聚合梯度密文的贡献度与参与聚合的梯度密文的本地贡献度，若聚合梯度贡献度相比于所有梯度本地贡献度下降超过确定阈值，则说明模型精度出现异常。

7.如权利要求5所述的一种基于区块链的联邦学习数据审计系统，其特征在于：如果模型精度出现异常，聚合节点对比不同子集间的节点差异和贡献度差异，若某节点所在的多个子集贡献度都小于某一阈值，则定位该节点为异常节点。

8.如权利要求5所述的一种基于区块链的联邦学习数据审计系统，其特征在于：当定位某异常节点后，若该节点的本地贡献度较高，则对其进行惩罚。