[发明专利]基于GAN和区块链的数据生成及去中心化加密联邦框架

权利要求书

1.一种基于GAN和区块链的数据生成及去中心化加密联邦框架GAN-DGEFL，使用生成对抗网络对不平衡数据进行处理，使得输入数据的正负样本趋于平衡，避免训练出的模型过拟合及泛化能力差，同时针对传统联邦学习框架中存在的中心节点宕机引起的整个系统训练终止及对传输梯度进行攻击引起的隐私泄露问题，基于区块链去中心化、不可篡改的特点和信息加密算法，提出了去中心化及梯度加密联邦框架。该方法共包含以下六个模块：数据生成模块、数据判别模块、生成对抗模块、加密传输模块、区块链模块、去中心化联邦学习模块。

2.根据权利要求1所述的GAN-DGEFL，其特征在于，所述的数据生成模块是指：使用多层感知机—生成器G对原始输入数据进行假样本的生成，使其尽量的服从真实数据的分布。

3.根据权利要求1所述的GAN-DGEFL，其特征在于，所述的数据判别模块是指：使用多层感知机—判别器D来判断输入的数据是否为真实样本。

4.根据权利要求1所述的GAN-DGEFL，其特征在于，所述的生成对抗模块是指：判别器D和生成器G相互对抗并迭代，判别器D根据判别结果来提供反馈指导生成器G训练，不断提高生成器的生成能力，同时亦不断提高判别器的判别能力。

5.根据权利要求1所述的GAN-DGEFL，其特征在于，所述的加密传输模块是指：利用非对称加密算法RSA的公钥和私钥以及对称加密算法AES的秘钥采取相应步骤对任务节点和融合节点之间的梯度参数传输进行加密，来保证传输过程中梯度参数的安全性。

6.根据权利要求1所述的GAN-DGEFL，其特征在于，所述的区块链模块是指：基于区块链去中心自组织的特点在可信的融合节点中均存储了模型训练过程中每一轮迭代的所有任务节点的梯度参数所构成的区块链，基于区块链不可篡改的特点来保护梯度参数的安全，并通过智能合约来将更新后的梯度参数自动进行下发。

7.根据权利要求1所述的GAN-DGEFL，其特征在于，所述的去中心化联邦学习模块是指：区别于传统联邦学习框架中只能从特定的中心节点获得更新后的参数来对本地的梯度参数进行更新的方式，去中心化联邦学习可以从m个可信的融合节点中的任一节点的区块链中来获得需要的参数，有效的防止了中心节点宕机或者遭受恶意攻击等一系列情况引起的整个系统崩溃的问题。