[发明专利]异步计算方法、装置、设备、存储介质及程序产品

说明书

本发明公开了一种异步计算方法、装置、设备、存储介质及程序产品，该方法包括：将当前全局模型的模型信息存储至预设区块链中；若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，并通过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，由此，利用预设区块链技术将各参与方的计算结果保存在链上，克服了现有技术中由于联邦学习时基于异步计算而导致部分参与方获得的联邦模型不达标而导致用户操作行为预测结果不准确的技术问题，通过利用预设区块链的可回溯特点，提高了异步计算时联邦学习结果的准确率，进而提高了待预测用户的操作行为的预测结果的准确率。

技术领域

本发明涉及联邦学习技术领域，尤其涉及一种异步计算方法、装置、设备、存储介质及程序产品。

背景技术

当前，在很多场景下都涉及对用户操作行为进行预测，例如，服务平台通常会根据用户的产品浏览数据及历史产品下单数据等预测用户的消费行为等进而向用户进行商品的推荐或推送，或音乐平台根据用户的历史歌单等预测用户的歌单搜索行为等进而向用户进行歌单的推荐或推送，相应地，服务平台通常利用机器学习模型来预测用户操作行为。

目前为了保障用户数据隐私，多数通过使用联邦学习模型来预测用户操作行为，然而由于联邦学习中的各参与方之间的联邦计算步骤都是在假设同步计算的条件下进行的，然后在实际过程中，各参与方之间的联邦计算大多是基于异步计算，即部分参与方在已经完成计算并上传计算结果时，其中部分参与方还未上传计算结果，因此导致联邦学习过程中部分参与方的计算结果不准确，进而导致部分参与方获得的联邦模型不达标，从而造成预测结果不准确的技术问题。

发明内容

本发明提供一种异步计算方法、装置、设备、存储介质及程序产品，旨在解决目前现有技术中由于联邦学习时基于异步计算而导致部分参与方获得的联邦模型不达标，从而造成预测结果不准确的技术问题。

为实现上述目的，本发明提供一种异步计算方法，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。

优选地，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。

优选地，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。

优选地，所述联邦模型未达到预设联邦模型要求的判定步骤包括：