[发明专利]基于区块链的纵向联邦学习数据处理方法、装置及系统

权利要求书

1.一种基于区块链的纵向联邦学习数据处理方法，其特征在于，所述方法包括：

获取用于纵向联邦学习的本地全量数据样本，并接收来自合作方的经过加密的合作方全量数据样本，其中，各全量数据包括：数据标识；

根据所述本地全量数据样本和所述合作方全量数据样本进行标识对齐操作，以生成标识交集；

接收来自合作方的经过加密的合作方模型训练中间结果，并根据该合作方模型训练中间结果、与所述标识交集相应的本地数据样本进行本地纵向联邦学习模型训练，以得到训练完成的本地纵向联邦学习模型；

将所述本地全量数据样本的哈希操作结果、所述经过加密的合作方全量数据样本的数据标识、模型训练过程中本地数据样本的使用顺序、调度日志、所述经过加密的合作方模型训练中间结果、以及训练完成的本地纵向联邦学习模型的哈希操作结果分别上传至区块链，以便于后期审计操作。

2.根据权利要求1所述的方法，其特征在于，接收来自合作方的经过加密的合作方模型训练中间结果，并根据该合作方模型训练中间结果、与所述标识交集相应的本地数据样本进行本地纵向联邦学习模型训练包括：

接收来自合作方的经过加密的合作方模型训练中间结果；

结合与所述标识交集相应的本地数据样本、本地模型训练中间结果以及所述合作方模型训练中间结果对所述本地纵向联邦学习模型进行训练，其中，本地数据样本的使用顺序为预定顺序。

3.根据权利要求1所述的方法，其特征在于，通过如下方式得到所述本地全量数据样本的哈希操作结果：

对所述本地全量数据样本进行默克尔树建立操作，并将默克尔树的根作为所述本地全量数据样本的哈希操作结果。

4.根据权利要求1所述的方法，其特征在于，通过如下方式得到所述本地纵向联邦学习模型的哈希操作结果：

对所述本地纵向联邦学习模型进行哈希映射操作，以得到所述本地纵向联邦学习模型的哈希操作结果。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述本地纵向联邦学习模型训练过程中本地数据样本的数据标识按训练顺序上传至区块链。

6.根据权利要求1所述的方法，其特征在于，根据所述本地全量数据样本和所述合作方全量数据样本进行标识对齐操作之后，所述方法还包括：

将标识对齐操作中接收到的合作方的信息上传至区块链。

7.根据权利要求1所述的方法，其特征在于，所述调度日志包括：合作方和本地的调度信息和运行状态信息。

8.一种基于区块链的纵向联邦学习数据处理装置，其特征在于，所述装置包括：

样本获取单元，用于获取用于纵向联邦学习的本地全量数据样本；

样本接收单元，用于接收来自合作方的经过加密的合作方全量数据样本，其中，各全量数据包括：数据标识；

对齐操作单元，用于根据所述本地全量数据样本和所述合作方全量数据样本进行标识对齐操作，以生成标识交集；

模型训练单元，用于接收来自合作方的经过加密的合作方模型训练中间结果，并根据该合作方模型训练中间结果、与所述标识交集相应的本地数据样本进行本地纵向联邦学习模型训练，以得到训练完成的本地纵向联邦学习模型；

数据上传单元，用于将所述本地全量数据样本的哈希操作结果、所述经过加密的合作方全量数据样本的数据标识、模型训练过程中本地数据样本的使用顺序、调度日志、所述经过加密的合作方模型训练中间结果、以及训练完成的本地纵向联邦学习模型的哈希操作结果分别上传至区块链，以便于后期审计操作。

9.根据权利要求8所述的装置，其特征在于，模型训练单元包括：

中间结果接收模块，用于接收来自合作方的经过加密的合作方模型训练中间结果；

模型训练模块，用于结合与所述标识交集相应的本地数据样本、本地模型训练中间结果以及所述合作方模型训练中间结果对所述本地纵向联邦学习模型进行训练，其中，本地数据样本的使用顺序为预定顺序。