[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

说明书

本发明针对工业实际生产中存在的数据类型不平衡、传统联邦学习框架中存在的缺陷，提出了一种基于GAN和区块链的数据生成及去中心化加密联邦框架GAN‑DGEFL(Generative Adversarial Networks‑Decentralized And Gradient Encryption Federate Learning)。由于工业实际生产过程中设备出现故障的概率较小，因此产生的异常数据量也较少，若直接使用原始数据进行训练可能会出现模型过拟合及泛化能力差的问题。因此提出了基于生成对抗网络对异常数据进行生成，以解决数据不平衡的问题。同时传统联邦学习框架的融合节点只有一个且梯度在传输过程中容易受到攻击，因此结合区块链及信息加密的思想，提出了去中心化及梯度加密联邦框架以解决传统联邦学习框架中存在的缺陷。

技术领域

本发明涉及工业互联网领域、数据生成领域、联邦学习领域、区块链领域、信息加密领域。具体涉及到一种基于GAN和区块链的数据生成及去中心化加密联邦框架。

背景技术

GAN-DGEFL主要基于生成对抗、联邦学习、区块链和信息加密的思想，通过生成对抗思想来生成足够的异常(故障)数据来解决数据不平衡问题，提高模型的泛化性。同时基于区块链智能合约、不可篡改、去中心自组织的特点，将区块链的思想与联邦学习的思想相结合，并在梯度参数传输过程中集成信息加密算法，以解决传统联邦学习框架中存在的中心节点宕机引起的系统崩溃的缺陷以及针对传输的梯度参数恶意攻击引起的隐私泄露问题。

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种基于GAN和区块链的数据生成及去中心化加密联邦框架，本发明的技术方案为：

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，包括以下部分：生成对抗网络、梯度参数保护、去中心化的联邦学习框架。

(1)生成对抗网络是指生成器G(多层感知机)和判别器D(多层感知机)两者之间动态的对抗，其训练过程分为2个步骤：

①：生成器G根据随机噪声z生成与真实异常数据最小相似的数据G(z)

②：逐步提高判别器D区分真假样本的能力。

在模型训练过程中，G与D交替训练，二者相互制约，不断优化，最终趋于稳定。即G最终能够生成与真实样本相似的“假”样本，D无法分辨输入是真实样本还是生成样本。该模型中判别器和生成器的优化目标函数L如下：

其中x～p_data(x)为x从真实样本分布采样，z～p_z(z)为z从生成样本分布G(z)采样且满足标准正态分布，E(*)为期望值。

(2)运用区块链中的智能合约机制，来实现各个融合节点完成融合后更新梯度参数的自动下发，且每一个任务节点收到的参数都是由距离自己最近的融合节点发送，来降低信息长距离传输带来的时间消耗；同时在信息传输过程中(任务节点向融合节点梯度参数的上传及融合节点向任务节点梯度参数的下发)集成RSA和AES的加密方式，有效的防止对于传输梯度参数的恶意攻击。

(3)将区块链思想和联邦学习思想相结合，把区块链不可篡改、去中心自组织的特点运用到联邦学习框架中，提出了一种去中心化的联邦学习框架，达到在联邦学习过程中每一轮更新的梯度参数信息都保存在多个可信的区块链节点中的目的，解决传统联邦学习框架中存在缺陷的同时提高其鲁棒性，使得该框架能够更加稳定的应用到实际生产开发中。

本发明的有益效果：

(1)将生成对抗网络运用到工业互联网中，来解决正常数据样本和异常数据样本不平衡带来的模型过拟合、泛化能力差的问题；

(2)将区块链的智能合约机制、信息加密算法运用到融合节点和任务节点之间的梯度参数传输过程中，降低传输过程中时间损耗的同时防止对传输梯度参数的恶意攻击；