[发明专利]异步计算方法、装置、设备、存储介质及程序产品

权利要求书

1.一种异步计算方法，其特征在于，应用于联邦学习中的参与方，所述异步计算方法包括：

对本地模型进行迭代训练，并将所述迭代训练的训练结果发送至与所述参与方关联的第三方设备，以使所述第三方设备根据所述训练结果获得当前全局模型，将所述当前全局模型的模型信息存储至预设区块链中，并加密反馈所述全局模型；

根据所述当前全局模型进行迭代训练，以获得联邦模型；

若所述联邦模型未达到预设联邦模型要求，则确定当前预设区块链中存储的最优全局模型，并发送更新请求至所述第三方设备，以通过所述第三方设备获得达到预设联邦模型要求的目标联邦模型，并通过所述目标联邦模型获取待预测用户的操作行为。

2.根据权利要求1所述的异步计算方法，其特征在于，所述确定当前预设区块链中存储的最优全局模型，并发送更新请求至所述第三方设备，以通过所述第三方设备获得达到预设联邦模型要求的目标联邦模型的步骤包括：

确定当前预设区块链中存储的最优全局模型，并发送更新请求至所述第三方设备，以使所述第三方设备根据所述最优全局模型的模型信息进行全局模型更新，获取目标全局模型，并反馈所述目标全局模型；

根据所述目标全局模型进行迭代训练，直至获得达到预设联邦模型要求的目标联邦模型。

3.根据权利要求2所述的异步计算方法，其特征在于，所述确定当前预设区块链中存储的最优全局模型，并发送更新请求至所述第三方设备，以使所述第三方设备根据所述最优全局模型的模型信息进行全局模型更新的步骤包括：

读取当前预设区块链的各预设区块链节点中存储的各全局模型信息，以确定当前预设区块链中存储的最优全局模型；

确定所述最优全局模型的模型序号，并发送携带有所述模型序号的更新请求至所述第三方设备，以使所述第三方设备根据所述模型序号从预设区块链中获取所述最优全局模型的模型信息，并根据所述最优全局模型的模型信息进行全局模型更新。

4.根据权利要求1所述的异步计算方法，其特征在于，所述联邦模型未达到预设联邦模型要求的判定步骤包括：

确定所述联邦模型的性能指数；

若所述联邦模型的性能指数未达到预设性能指数要求，则判定所述联邦模型未达到预设联邦模型要求；或者，

基于预设区块链获取参与联邦所述联邦模型的参与方数量；

若所述参与方数量未达到预设参与方数量要求，则判定所述联邦模型未达到预设联邦模型要求；或者，

确定所述联邦模型与所述本地模型的模型性能提升程度；

若所述模型性能提升程度小于预设性能提升程度，则判定所述联邦模型未达到预设联邦模型要求。

5.根据权利要求1所述的异步计算方法，其特征在于，所述根据所述当前全局模型进行迭代训练，以获得目标联邦模型的步骤还包括：

将所述当前全局模型作为本地模型，返回执行对本地模型进行迭代训练，并将所述迭代训练的训练结果发送至与所述参与方关联的第三方设备，以使所述第三方设备根据所述训练结果获得当前全局模型，将所述当前全局模型的模型信息存储至预设区块链的各预设区块链节点中，并反馈所述全局模型的步骤；

继续执行将所述当前全局模型作为本地模型，对本地模型进行迭代训练的步骤，直至达到预设训练迭代轮次，以获得目标联邦模型。

6.根据权利要求1所述的异步计算方法，其特征在于，所述对本地模型进行迭代训练的步骤之前，还包括：

发送参与请求至所述第三方设备，以通过所述第三方设备加入预设区块链；

读取当前预设区块链的各预设区块链节点中存储的各全局模型信息，并选取最优全局模型作为本地模型。