[发明专利]一种基于安全性评价的分层汇聚联邦学习方法

说明书

本发明属于联邦学习技术领域，具体涉及一种基于安全性评价的分层汇聚联邦学习方法。本发明针对基于区块链的联邦学习的过程中验证各节点所造成的通信成本过高的问题，通过研究针对无用或恶意节点的验证机制及其安全性与通信成本，结合竞争的投票验证方法与聚合算法，提供了在联邦学习过程中的双层聚合模型。本发明在保证节点安全性的基础上降低训练的通信成本，可应用于基于区块链的架构下带有安全评估功能的分层汇聚联邦学习中。

技术领域

本发明属于联邦学习技术领域，具体涉及一种基于安全性评价的分层汇聚联邦学习方法。

背景技术

自从互联网问世以来，人类便开启了信息时代的大门。随着网络科技的快速发展，基于互联网、物联网等技术的产品在人们的日常生活中越来越普及，应用也越来越广泛。因此，人类所产生的数据量更是以惊人的速度急剧增长。海量数据的价值在如今社会环境的大背景下正在变得越来越高，如何挖掘其中的价值已被研究多时。机器学习通过学习大量数据并不断地更新及修改其模型中的参数，以实现对后续数据的判断或预测。近年来，移动设备配备了越来越先进的传感器和计算功能。结合机器学习的进步，这为更多高级功能的应用(例如用于医学目的和车载网络)提供了无数可能性。但在传统的场景下，训练计算模型的企业或机构需要收集、存储、处理海量的相关数据。而这对其网络、存储和计算能力都提出了较高的要求，训练成本相对较高。并且在数据传输与共享的过程中，会遇到以下几个关键性问题：“数据孤岛”现象激增、安全法规愈发严格、数据存储能力满足不了实际应用等。联邦学习(Federated Learning简称为FL)就是为了解决传统数据共享技术难以得到满足等问题所诞生的一项全新的技术，因此近些年来联邦学习备受关注。

在联邦学习的过程中，参与训练的节点使用自己本地的数据集来训练服务器所提供的训练模型；之后参与训练节点将本地训练出的子模型发送到中心服务器；服务器在汇集众多子模型后对其进行聚合得到新的全局模型。由于在整个学习过程中不需要隐私数据的传输，所以联邦学习可以在移动边缘网络上启用协作训练或深度学习来完成训练任务的同时保护数据的安全。但是由于移动边缘网络规模庞大且繁杂，学习过程中涉及到众多质量与稳定性不同的边缘设备。这对通信成本、安全隐私和资源分配等方面都有相应的要求，从而对联邦学习的广泛普及带来了的一定的困难。使用区块链来替代联邦学习过程中的中心节点，利用区块链去信任的特点来克服中心节点可能造成的隐私泄露和单点故障的弱点。但克服“搭便车攻击”与“模型中毒攻击”会造成了算力浪费的问题并且增加了整个训练过程的通信成本。

发明内容

本发明的目的在于针对基于区块链的联邦学习的过程中验证各节点所造成的通信成本过高的问题，提供在保证节点安全性的基础上降低训练的通信成本的一种基于安全性评价的分层汇聚联邦学习方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：用户向平台提出注册请求，所述的用户包括请求者和工作者；管理员根据用户的请求来注册用户，注册用户需要给出其用于接收任务及其奖励的以太网地址；

步骤2：注册完成后，请求者通过智能合约发布联邦学习训练任务；

所述的训练任务包括训练模型的描述、安全性评价指数s、用于模型更新的轮数N、任务开始时间、每轮工人数K′、每轮工人的总奖励r、总奖励的存款D；且Dr×N；

步骤3：请求者发布任务后，事件通知将通过以太坊的事件处理功能发送给所有注册的工作者，每个工作者决定是否参加此任务；如果工作者决定参加此任务，则在训练任务开始时间之前调用智能合约；

步骤4：任务申请期结束后，请求者获取加入训练任务t的工作者集合W_t，且不告知工作者用于模型更新的轮数N；请求者将联邦学习模型参数初始化为ω₀并提交到区块链中；