[发明专利]面向物联网中基于区块链技术的联邦学习能效优化方法

说明书

本发明公开了一种面向物联网中基于区块链技术的联邦学习能效优化方法，考虑到物联网中异构设备之间的去中心化联邦学习范例，建立一个基于区块链的联邦学习框架，其中所有的物联网设备都有机会以去中心化的方式参与联邦学习模型的构建过程。在框架中，设计了一种针对局部模型基于委员会机制的本地模型动态聚合方式来解决恶意节点的问题，提升了联邦学习模型性能。此外，针对面向物联网中联邦学习和区块链联合的资源分配，量化了基于区块链技术联邦学习的时延和能耗，提出联合信道分配、区块链主节点选择及区块大小调整的优化方法，在保证联邦学习性能的同时降低系统的能耗。

技术领域

本发明涉及物联网通信技术领域，尤其涉及一种面向物联网中基于区块链技术的联邦学习能效优化方法。

背景技术

随着信息和通信技术的蓬勃发展，物联网快速兴起，其无处不在的传感、通信能力，可将数百万到数十亿的设备接入网络，由此产生了海量的原始数据。基于机器学习算法可以处理物联网中海量分布式数据来构建人工智能应用并实现各种智能服务。在传统机器学习算法中，模型训练和模型推断等任务需要集中式云处理，原始数据传输不仅带来了庞大的通信开销，还会导致隐私泄露问题。

针对该问题，联邦学习作为一种分布式的机器学习技术，利用模型参数代替原始数据进行传输，保护数据隐私的同时降低了通信开销，在物联网中得到广泛应用。然而，在物联网场景下，分布式设备的异质性和复杂性给联邦学习的性能产生了不小的威胁。恶意设备通过上传未经训练的本地模型或随机的本地模型，将严重的影响联邦学习中模型的收敛速度和最终精度，并且由于缺少有效的激励，训练节点的参与度低也会对模型的性能造成了不小的挑战。此外，针对单节点的恶意攻击也会严重影响联邦学习的性能。区块链技术通过分布式存储与共识协议机制实现了对数据的不可篡改、可追溯等特性，将区块链技术引入联邦学习，将实现分布式、可追溯、可靠的联邦学习过程，并且上链的模型可用来迁移学习。然而，物联网中联邦学习和区块链的联合部署将对系统的能耗开销带来巨大的挑战。

区块链和联邦学习的结合确保了分布式设备之间可追溯、隐私保护和可靠的模型构建过程。目前侧重于将区块链和联邦学习结合用于物联网场景的研究，包括隐私保护数据共享和模型共享(如文献1：Y.Xu etal.,”BESIFL:Blockchain Empowered Secure andIncentive Federated Learning Paradigm in IoT,”in IEEE Internet of ThingsJournal,doi:10.1109/JIOT.2021.3138693.)、可信训练节点选择(如文献2：S.Otoum,I.A.Ridhawi and H.Mouftah,”Securing Critical IoT In-frastructures WithBlockchain-Supported Federated Learning,”in IEEE Internet of Things Journal,vol.9,no.4,pp.2592-2601,15Feb.15,2022.)和激励机制设计(如文献3：C.Zhang etal.,”A Blockchain-based Model Migration Approach for Secure and SustainableFederated Learning in IoT Systems,”in IEEE Internet of Things Journal,doi:10.1109/JIOT.2022.3171926.)。在文献1中，作者提出了物联网中区块链授权的安全和激励联邦学习范式。在文献2中，作者提出了为物联网提出了一种区块链联邦学习模型，并采用信任评分机制来选择联邦学习的参与者。在文献3中，作者使用区块链来确保物联网场景下联邦学习的模型迁移和激励过程的可信度。这些研究主要设计了一种针对经济收益的激励机制并采用一种基于聚簇的算法来识别恶意设备，从而提高联邦学习的模型精度。