[发明专利]一种融合区块链状态分片和信誉机制的联邦学习架构构建的方法

说明书

本发明公开了一种融合区块链状态分片和信誉机制的联邦学习架构构建的方法，该方法包括：分片内的节点接收初始模型后，利用本地的数据对初始模型进行训练，得到一个局部模型；节点训练模型完成后，将局部模型广播发送至分片内的其他节点；局部模型聚合至分片内的全局模型；在分片内聚合的全局模型达到预设条件时，分片内主节点广播上链聚合的请求，各分片的主节点进行片间共识，选出片间主节点；片间主节点将模型上传至主链并进行聚合，得到新的全局模型。本发明提出融合区块链状态分片和信誉机制的联邦学习架构构建的方法，解决传统的区块链吞吐量低；存储可拓展性低；联邦学习节点与区块链节点互相隔离的技术问题。

技术领域

本发明涉及区块链技术领域，具体涉及一种融合区块链状态分片和信誉机制的联邦学习架构构建的方法。

背景技术

联邦学习作为一种分布式的机器学习框架，被提出用于横向拓展模型训练的规模。传统的联邦学习存在着集中式梯度聚合服务器的单点故障和同步训练效率低的问题，为了解决上述问题，将区块链分片技术与联邦学习架构结合起来。在每一轮模型训练完成后，利用区块链的共识机制选举出负责聚合模型的节点，该节点将聚合完毕的全局模型上传至区块链，实现去中心化的联邦学习。区块链状态分片是一种区块链节点的横向扩容方案。在区块链系统中，常见的分片方案有：网络分片、交易分片、状态分片等等。网络分片将节点分为不同的群组，各分片并行处理交易，共同维护并同步一条区块链的状态。交易分片是在网络分片的基础上，将交易按照一定的规则转发给指定分片进行处理。状态分片在网络分片的基础上让每个分片独立维护并同步片内的数据和状态。

传统的区块链吞吐量低；存储可拓展性低；联邦学习节点与区块链节点互相隔离。

发明内容

本发明的目的在于克服现有技术的缺点和不足，提出融合区块链状态分片和信誉机制的联邦学习架构构建的方法，解决传统的区块链吞吐量低；存储可拓展性低；联邦学习节点与区块链节点互相隔离的技术问题。

为此，本发明的公开了一种融合区块链状态分片和信誉机制的联邦学习架构构建的方法，所述方法包括：

通过分组操作，将节点划分至各个分片内部；

分片子链下发初始模型至分片内的各个节点；

分片内的节点接收初始模型后，利用本地的数据对初始模型进行训练，得到一个局部模型；

节点训练模型完成后，将局部模型广播发送至分片内的其他节点；

局部模型聚合至分片内的全局模型；

在分片内聚合的全局模型达到预设条件时，分片内主节点广播上链聚合的请求，各分片的主节点进行片间共识，选出片间主节点；

片间主节点将模型上传至主链并进行聚合，得到新的全局模型；

全局模型聚合完成后，下发全局模型至分片主节点，分片主节点将收到的全局模型作为新的片内全局模型，重复训练至所有模型训练过程结束。

优选地，所述局部模型聚合至分片内的全局模型包括：

分片内选出主节点后，主节点将根据信誉机制，为局部模型分配一个权重；

主节点为局部模型分配权重后，将其聚合至分片内的全局模型中；

分片内的模型聚合完成后，主节点将新的全局模型下发给广播模型的节点，并重复局部模型训练流程。

优选地，所述分片内选出主节点后，主节点将根据信誉机制，为局部模型分配一个权重包括：

当分片i内的第k个节点上传模型后，分片主节点会利用测试数据集对模型进行测试，如果模型准确率低于分片设定的阈值，则局部模型不会参与到聚合中；

如果模型准确率符合设定的阈值条件，分片主节点将根据信誉机制，为此模型分配相应的权重。