[发明专利]基于哈希图和联邦学习的数据安全共享的方法

说明书

基于哈希图和联邦学习的数据安全共享的方法，通过在区块链3.0技术hashgraph共识算法中加入对联邦学习本地模型的检测，防止不诚实的节点提供错误模型，同时，联邦学习的数据模型通过对本地模型进行加权聚合的方法实现，1)所述的通过在区块链3.0技术hashgraph共识算法中加入对联邦学习本地模型的检测，防止不诚实的节点提供错误模型；2)所述的hashgraph的不诚实节点检测流程主要包括：生成事件，采用八卦算法Gossip通信，采用虚拟投票算法进行共识，基于hashgraph和联邦学习的数据安全共享模型，实现了，在联邦学习过程中，成功的检测出不诚实节点。

技术领域

本发明设计了一种基于hashgraph和联邦学习的数据安全共享的方法，适应于移动边缘计算网络，属于信息通信技术领域。

背景技术

随着COVID-19的失控，对于新冠病人的接触者的追踪变得尤为重要，而在追踪过程中，需要对新冠病人的轨迹，密切接触者的轨迹，以及有哪些人有可能成为新冠病人的接触者等众多内容进行统计分析，而其中涉及到很多用户的隐私数据，因而无法将数据全部上传到云端进行模型训练，因此，需要使用联邦学习来解决这个问题，它通过聚合在客户端[1]上本地训练的模型，在服务器上获得一个中心模型。在联邦学习中，分布式本地设备根据本地数据样本计算本地模型并将其发送到中央服务器。中央服务器通过聚合来自不同设备[2]的本地模型来训练共享模型。因此，在训练过程中，原始数据一直保存在本地设备中，可以有效的保护用户的隐私。因此，在联邦学习中不仅实现了数据共享，而且实现了隐私保护，但是联邦学习也存在一些局限性，首先，不能保证学习的模型在网络中传输中不被泄露。其次，不诚实的用户可以通过提供低等级的本地模式对学习模型产生不利影响。此外，用户也缺乏利用自己的计算资源和数据参与联邦学习的动机。最后一个是网络过载问题，在联邦学习过程中同时传输大量的模型，在带宽的限制下会导致网络过载。近年来，为了解决上述问题，许多研究者结合联邦学习和区块链进行研究。论文中使用区块链来存储检索数据和访问权限，可以防止恶意用户篡改模型。利用差分隐私算法保护个人隐私数据。然而，由于随机噪声的干扰，差分隐私算法的使用导致了数据可用性的急剧下降。论文[4]结合联邦学习和区块链的通道提出了一种新的解决方案。同一信道中提出联邦学习请求，以保证不同信道下用户的个人隐私，但不涉及同一信道下用户之间的个人隐私保护。论文[5]用区块链和联邦学习进行耦合以确保用户数据的隐私性。训练好的学习模型参数可以以不可变的方式安全地存储在区块链上，以防止未经授权的用户访问和恶意行为。[6]中的Y.J.Kim等人提出了一种基于区块链的联邦学习，以提供一种激励机制，防止恶意用户根据区块链的自然交易属性和不可变的账本改变模型。此外，还提出了一种快速稳定的目标精度收敛联合学习模型，以减少网络过载。虽然有一些基于FL的区块链研究，但这些研究的结果没有考虑到不诚实的模型提供者。而不诚实的模型提供者对学习模型的精确度和可靠性都有重大的影响，因此，如何检测出参与学习的客户端是否是不诚实的模型提供者成为物联网发展必须解决的重大问题。

因此，本发明提出一种基于hashgraph的模型提供者检测方法，解决联邦学习过程中不诚实模型提供者对模型生成产生不利影响的问题。

发明内容

技术问题：本发明提出一种在COVID-19疫情防控过程中基于hashgraph和联邦学习的数据安全共享的方法，解决联邦学习过程中不诚实模型提供者对模型生成产生不利影响的问题，提高了联邦学习训练的精确度。本发明应用于为了快速统计跟踪新冠病人的接触者，需要对新冠病人的移动轨迹，密切接触者的行动轨迹，以及哪些人有可能成为新冠病人的接触者进行统计分析。

技术方案：本发明提出一种基于在COVID-19疫情防控过程中基于hashgraph(哈希图)和联邦学习的数据安全共享的方法，包括以下步骤：

(1)所述的通过在区块链3.0技术hashgraph共识算法中加入对联邦学习本地模型的检测，防止不诚实的节点提供错误模型的方法如下：