[发明专利]一种基于区块链的联邦学习激励机制的方法

权利要求书

1.一种基于区块链的联邦学习激励机制的方法，其特征在于，步骤如下：

S1、通过评估设定参与方数据质量、信誉度门槛，保护现有参与方的利益，当参与方的数据质量、信誉度同时大于数据质量门槛、信誉度门槛时，允许参与方加入联邦学习；

所述数据质量的评定主要通过计算参与方数据的特征IV值，计算方法如公式1所示 ，表示特征i分组的信息价值，表示特征i分组中的负例数，表示特征i分组中的正例数， 表示所有样本中的负例数，表示所有样本中的正例数；如公式2所示，IV为整体样本的信息价值；特征IV越高数据质量越好；参与方本地建模与联邦建模的效果比对，效果越好表明数据质量越好；计算参与方数据与现有联邦数据的交集，交集比例越少表明数据质量越好；

公式1

公式2；

S2、对新入的参与方建立保证金、信誉度机制，通过对保证金、信誉度的惩罚保护参与方利益；

达到准入门槛的参与方，加入联邦学习之前还需缴纳一定的保证金，以防模型训练过程中造成的一些未知负面影响；保证金主要跟参与方评定的数据质量、信誉度、模型的重要程度以及模型所处的训练阶段有关，如公式3， margin为所需缴纳的保证金额，dataquality为数据质量，credibility为信誉度，importance为模型重要度指标，stage表示模型所处的训练阶段，训练阶段越靠后stage值越大，K、为影响因子；影响保证金及信誉度的因素主要包括：参与方是否有恶意行为，参与方的训练是否对模型带来负面影响，如公式4，

negmargin为保证金的扣除金额，evil为参与方恶意行为的度量，promotion为加权的模型性能提升度， 为影响因子；公式5，为影响因子；

公式3

公式4

公式5；

S3、通过区块链技术实现激励过程的公开透明，保证激励的公平与参与方的积极性；

区块链技术是一种在对等网络环境下，通过透明和可信规则，构建不可伪造、难以篡改和可追溯的块链式数据结构，实现和管理可信数据的产生、存取和使用的模式；用户可以构建一个交易，用自己的私钥给交易签名，发送到链上，由多个节点的共识机制处理，执行相关的智能合约代码，生成交易指定的状态数据，然后将交易打包到区块里，和状态数据一起落盘存储，该交易即为被确认，被确认的交易被认为具备了事务性和一致性；

S4、基于模型效果的激励机制中加入模型训练的阶段因子，减少模型训练不同阶段效果提升难度的影响；难度因子定义为参与方加入联邦学习前一个小时(损失未收敛)联邦学习模型效果提升幅度的倒数，如公式6，difficulty为难度因子，为前一小时模型值的增量；promotion为加权后的模型性能提升度，如公式7，为缩放系数， 为参与方加入训练后对模型值的增量，值为负数表明对模型效果带来负面影响；

公式6

公式7；

S5、让参与方因为长时间的等待而获得相应的回报，保证参与方的积极性；回报feedback一样通过联盟链下发，保证激励过程的公开透明；如公式8，waittime为参与方等待时长，thresholdtime为能够获得等待回馈的等待时长阈值，f为等待时长回馈系数；

公式8。

2.根据权利要求1所述的一种基于区块链的联邦学习激励机制的方法，其特征在于：所述步骤1中，所述信誉度为参与方历次参与记录的信誉累加。