[发明专利]基于区块链的分布式隐私计算方法及装置

说明书

本发明提供一种基于区块链的分布式隐私计算方法及装置，所述装置包括区块链基础设施层、分布式并行计算层和界面展示层，所述方法包括计算请求客户端发布计算任务，对计算任务进行分解；任务分发模块进行任务分发，计算节点返回任务认领确认消息；计算请求客户端编写利益分配智能合约；计算节点下载训练模型进行训练，将结果返回给计算请求客户端；安全验证模块对计算节点传回的结果进行验证，并融合结果得到最终联邦模型；智能合约利用利益分配函数对各计算节点进行利益分配。与相关技术相比，本发明提供的基于区块链的分布式隐私计算方法及装置其数据隐私安全性好，降低计算成本，提高节点数据共享的积极性。

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分布式隐私计算方法及装置。

背景技术

人工智能要在杂乱无章的海量内容中准确、快速的识别出目标图像/语音，就需要收集大量用户的数据、素材进行模型训练，不断优化识别模型。随着深度学习成为人工智能行业的主流算法，其所带来的高度依赖数据集的大规模学习方法，极大增加了对于大规模数据集的需求，一个优秀的深度学习模型是算法通过大量的数据集训练而达到的，耗费资源巨大又耗时长，因此数据集和计算能力成为了深度学习进行模型训练的关键。

现有技术存在计算资源集中，计算成本高和中心化的缺点。在计算能力方面，对于处理大数据的复杂计算任务，现有技术中，计算机科学界有两大方向，一个是集中式计算，就是通过不断增加处理器的数量来增加单个计算机的计算能力，从而提高计算处理的速度，另一个就是分布式计算，把一组计算机通过网络相互连接组成分散系统，然后将需要处理的大量计算任务，分解为多个部分，交由分散系统内的计算机组同时进行计算，最终将这些计算结果合并得到最终结果。集中式计算的方式往往投资巨大，需求量大时自己提供的资源往往不足，没需要时又容易造成资源浪费。分布式计算虽然能够将计算任务分配到不同计算机同时进行计算，但是还是采用中心化的分配方式，各分布式系统还是属于统一中心机构，仍然存在成本和数据分发过程中的安全性问题。

现有技术存在数据隐私问题，并由此造成的数据共享积极性低的缺点。在数据需求方面，现有的集中式和分布式计算方案需要数据在集中的物理位置，难以确保数据的安全性，容易导致数据的泄漏。目前个体或机构越来越重视数据隐私性，对于数据的分享越来越谨慎，因此很多数据方不愿意将自己的数据共享出去进行模型训练。

因此，有必要提供一种新型的基于区块链的分布式隐私计算方法及装置，以克服上述缺陷。

发明内容

本发明的目的在于提供一种新型的基于区块链的分布式隐私计算方法及装置，其数据隐私安全性好，降低计算成本，提高节点数据共享的积极性。

为了达到上述目的，本发明提供一种基于区块链的分布式隐私计算方法，包括如下步骤：

步骤一、通过计算请求客户端发布计算任务和初始模型，再通过资源调度模块根据计算任务对加密密钥进行秘密分解；

步骤二、通过任务分发模块根据任务分解选择合适的计算节点进行任务分发，计算节点进行验证后返回任务认领确认消息给计算请求客户端；

步骤三、计算请求客户端接收到任务认领确认消息后，调用智能合约接口编写利益分配智能合约，并上传至区块链网络；

步骤四、各计算节点认领任务后下载训练模型进行联邦训练，并将计算结果返回给计算请求客户端；

步骤五、计算请求客户端调用安全验证模块对计算节点传回的结果进行验证，并对各方训练结果进行融合得到最终联邦模型；

步骤六、智能合约利用利益分配函数对各计算节点进行利益分配，并根据利益分配结果实时分发激励，同时将执行过程和各用户的最新资产状态上链存储，实现资产和激励存证。

本发明另一方面提供一种基于区块链的分布式隐私计算装置，包括：区块链基础设施层、分布式并行计算层和界面展示层；