[发明专利]一种基于区块链的联邦学习系统

说明书

本发明涉及区块链技术领域，具体涉及一种基于区块链的联邦学习系统，包括：接收节点，接收目标模型及预付代币，接收数据源方提供的数据字段组成、数据行哈希值；若干个保留节点；协作节点，撮合目标模型和训练数据行；服务节点，创建联邦学习任务并上传区块链存储，保留节点将数据代入目标模型获得中间结果，将中间结果发送给服务节点，服务节点汇总全部中间结果获得目标模型的预测结果，计算损失值并公布，若干个保留节点更新目标模型，若干个保留节点重新将数据代入更新后的目标模型，直到得出的损失值小于预设阈值，服务节点发放奖励。本发明的实质性效果是：激励数据源方参与联邦学习，确保数据隐私安全，提高联邦学习的效率。

技术领域

本发明涉及区块链技术领域，具体涉及一种基于区块链的联邦学习系统。

背景技术

数据是机器学习的基础。然而在大多数行业中，由于行业竞争、隐私安全、行政手续复杂等问题，数据常常是以孤岛的形式存在的。在不同机构或企业之间实现数据集中整合也面临着重重阻力。要将分散在各地、各个机构的数据进行整合的难度是十分巨大的。谷歌在2016年提出了针对手机终端的联邦学习。联邦学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。参与联邦学习的各方地位平等，联合建模后模型各自在本地运行。经过联邦学习联合建模后，模型具有更好的准确度。目前联邦学习主要针对神经网络模型的联合建模，如卷积神经网络模型。然而目前的联邦学习系统需要多次加密中间结果并传递，导致联合学习的效率较低。虽然目前联邦学习能够实现多个数据源数据的联合应用，但参与联邦学习的各方都有机器学习模型训练的需求。对于仅拥有数据，但不需要建立机器学习模型的数据源方而言，参与联邦学习并不会获得任何收益，因而没有积极性参与联邦学习。导致联邦学习的适用范围较窄。

中国专利CN111212110A，公开日2020年5月29日，公开了一种基于区块链的联邦学习系统及方法，一种基于区块链的联邦学习系统及方法，系统包括：模型训练模块，用于联邦学习过程的机器学习模型更新和机器学习模型变化值聚合；基于区块链技术的智能合约模块，用于在联邦学习的过程中提供去中心化的控制功能与密钥管理功能；基于IPFS协议的存储模块，用于为联邦学习过程中的中间信息提供去中心化的信息存储机制；每个参与联邦学习的节点上同时运行模型训练模块、基于区块链技术的智能合约模块、基于IPFS协议的存储模块。其技术方案实现去中心化，任何节点的故障和退出都不会影响其他节点继续进行联邦学习，具有更强的鲁棒性。但其不能解决联邦学习效率低的问题。

发明内容

本发明要解决的技术问题是：目前的联邦学习的适用范围较窄的技术问题。提出了一种基于区块链的联邦学习系统，能够鼓励更多数据源方参与到联邦学习中。

为解决上述技术问题，本发明所采取的技术方案为：一种基于区块链的联邦学习系统，包括：接收节点，接收待训练的联邦学习目标模型及预付代币，分配模型编号，接收数据源方提供的数据字段组成、数据行哈希值，分配字段编号和行编号；若干个保留节点，建立在数据源方，获得数据源方的数据行及对应的字段编号和行编号；协作节点，与接收节点连接，将目标模型的输入字段及标签字段与数据行的字段组成对比，撮合目标模型和训练数据行，将模型编号以及训练数据行的行编号发送给数据源方的保留节点；服务节点，与保留节点和协作节点连接，所述保留节点得到数据源方的授权后，通知服务节点创建联邦学习任务，所述联邦学习任务包括模型编号、行编号、参与的数据源方标识及对应的奖励，所述服务节点将所述联邦学习任务上传区块链存储，将目标模型发送给对应的保留节点，所述保留节点将数据代入目标模型获得中间结果，将中间结果发送给服务节点，服务节点汇总全部中间结果获得目标模型的预测结果，将预测结果汇总发送给拥有标签的保留节点，计算损失值并公布，若干个保留节点按梯度更新目标模型，若干个所述保留节点重新将数据代入更新后的目标模型，直到得出的损失值小于预设阈值，所述服务节点发放奖励，将发放结果上传区块链存储。