[发明专利]一种基于联盟链的联邦学习激励方法及系统

权利要求书

1.一种基于联盟链的联邦学习激励方法，其特征在于,该方法的实现过程包括：

S10、将交易主体和运营主体构建成一个联盟链；

S20、对联盟链上交易主体的用户群体进行加密并对齐，确定共有用户群体和共有特征维度；

S30、运营主体利用确定的共有用户群体和共有特征维度训练机器学习模型，直至损失函数收敛，完成模型训练；

S40、运营主体对联盟链上发生的行为进行信誉评分，将信誉积分映射到交易成本，通过交易成本激励各交易主体进行账本维护。

2.根据权利要求1所述的一种基于联盟链的联邦学习激励方法，其特征在于，所述交易主体和运营主体均为联盟链上的节点；

所述交易主体为数据提供方和数据消费方；

所述运营主体为第三方机构；

将交易主体和运营主体构建成一个联盟链，这一过程实际上就是：

将参与共同训练机器学习模型的中间数据的数据提供方和消费方以及第三方机构构建一个联盟链。

3.根据权利要求2所述的一种基于联盟链的联邦学习激励方法，其特征在于，对联盟链上交易主体的用户群体进行加密并对齐，确定共有用户群体和共有特征维度，具体操作内容包括：

S21、对数据提供方和数据消费方的用户群体进行加密；

S22、对数据提供方和数据消费方加密后的用户群体进行对齐；

S23、对齐后，在不公开用户群体的前提下，确认数据提供方和数据消费方的共有群体、以及各自拥有的不互相重叠的用户群体；

S24、根据确认结果，进一步确认数据提供方和数据消费方的共有特征维度。

4.根据权利要求3所述的一种基于联盟链的联邦学习激励方法，其特征在于，所述机器学习模型为线性回归模型时，运营主体训练机器学习模型的具体过程包括：

S31、第三方机构把公钥分别发送给数据提供方和数据消费方，用以对训练过程中需要交换的数据进行加密；

S32、数据提供方和数据消费方分别通过训练计算用户群体和共有特征维度的中间梯度结果；

S33、数据提供方和数据消费方分别基于加密的梯度值进行计算，同时，数据提供方和数据消费方根据其标签数据计算损失，并把这些结果汇总给第三方机构，第三方机构通过汇总结果计算总梯度并将其解密；

S34、第三方机构将解密后的梯度进行整合后分别回传给数据提供方和数据消费方，数据提供方和数据消费方根据各自拥有的不互相重叠的用户群体和共有特征维度结合回传的整合梯度，更新模型的参数；

S35、迭代前述步骤，直至损失函数收敛，完成机器学习模型的训练。

5.根据权利要求3或4所述的一种基于联盟链的联邦学习激励方法，其特征在于，所述数据提供方和所述数据消费方的数据始终保留在本地，且在训练过程中，不会使用未加密的数据进行交互。

6.根据权利要求2所述的一种基于联盟链的联邦学习激励方法，其特征在于，运营主体对联盟链上发生的行为进行信誉评分，将信誉积分映射到交易成本，通过交易成本激励各交易主体进行账本维护，这一过程的具体实现步骤包括：

S41、数据消费方通过第三方机构浏览数据提供方的信誉情况制定采购策略；

S42、数据消费方通过第三方机构接口向联盟链上的所有数据提供方发送交易请求；

S43、经过所有数据提供方的广播后，通过验证的交易请求被执行后向第三方机构返回执行结果，同时，联盟链通过判定数据提供方是否出现拜占庭错误给出节点评分；

S44、根据数据消费方和数据提供方的信誉积分达成交易协议后，进行资金、数据的传输；

S45、数据消费方根据对本次交易的满意程度针对数据提供方给出用户评分；

S46、完成一次完整的数据交易后，账本和信誉积分进行更新，并将更新后数据保存在联盟链上。