[发明专利]一种基于联盟链的联邦学习的数据处理方法与系统

权利要求书

1.一种基于联盟链的联邦学习的数据处理方法，其特征在于，包括：

发起方建立智能合约；

联盟链上各个节点将初始模型参数写入智能合约中；

各节点将样本数据量发送到智能合约上，根据各个样本数据量大小分别分配相应数量的通证；

每一轮模型训练中，各节点将训练获得的梯度值发送至所述智能合约，根据各个节点的梯度值和样本数据量，计算各节点的偏离指数；

根据所述偏离指数识别可疑节点；

其他节点基于PBFT机制对可疑节点进行投票，根据投票结果对所述可疑节点进行验证；

其中，根据各个节点的梯度值和样本数据量，计算各节点的偏离指数，包括：

根据各个节点的梯度值，计算梯度平均值；

根据所述梯度平均值、各个节点的梯度值和各个样本数据量，计算各个节点的偏离指数；

所述偏离指数通过以下公式进行计算：

；

其中，为第m个节点的样本数据量，为第m个节点的梯度值，为梯度平均值，为第m个节点的偏离指数。

2.如权利要求1所述方法，其特征在于，所述通证的数量与样本数据量的平方根成正比。

3.如权利要求1所述方法，其特征在于，每一轮训练中，各节点将训练获得的梯度值发送至所述智能合约之后，还包括：

智能合约将各个节点发送的梯度值进行相加，获得梯度和；

各个节点查询所述智能合约获得所述梯度和，并基于所述梯度和进行下一轮模型训练，直到满足训练停止条件。

4.如权利要求3所述的方法，其特征在于，获得所述梯度和之后，还包括：

基于所述梯度和更新所述初始模型参数或者上一轮的模型参数。

5.如权利要求1所述的方法，其特征在于，根据所述偏离指数识别可疑节点，包括：

将每一轮获得的所有节点的偏离指数进行排序；

如果某个节点连续k轮偏离指数排名第一，则确定该节点为可疑节点。

6.如权利要求5所述的方法，其特征在于，k满足以下条件：

选择最小的自然数k，使得

；

其中，n为节点的总数。

7.如权利要求6所述的方法，其特征在于，其他节点基于PBFT机制对可疑节点进行投票，如果投票通过，则确定该可疑节点的样本数据量为虚假数据量，将该节点的通证销毁。

8.如权利要求1所述方法，其特征在于，模型训练完成之后，将模型产生的收益根据节点的样本数据量进行分配；

第m个节点的收益值为，其中，F为总收益，为第m个节点的样本数据量，n为节点的总数。

9.一种基于联盟链的联邦学习的数据处理系统，应用于如权利要求1-8任一所述的方法，其特征在于，包括发起方和n个节点，其中n为大于1的整数；所述发起方建立智能合约；各所述节点将初始模型参数写入智能合约中；各节点将样本数据量发送到智能合约上，智能合约根据各个样本数据量大小分别分配相应数量的通证；每一轮模型训练中，各节点将训练获得的梯度值发送至所述智能合约，智能合约根据各个节点的梯度值和样本数据量，计算各节点的偏离指数，根据所述偏离指数识别可疑节点；其他节点基于PBFT机制对可疑节点进行投票，根据投票结果对所述可疑节点进行验证；

其中，根据各个节点的梯度值和样本数据量，计算各节点的偏离指数，包括：

根据各个节点的梯度值，计算梯度平均值；

根据所述梯度平均值、各个节点的梯度值和各个样本数据量，计算各个节点的偏离指数；

所述偏离指数通过以下公式进行计算：

；

其中，为第m个节点的样本数据量，为第m个节点的梯度值，为梯度平均值，为第m个节点的偏离指数。