[发明专利]一种基于区块链的联邦学习激励机制的方法

说明书

本发明公开了一种基于区块链的联邦学习激励机制的方法，步骤如下，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；增加惩罚机制有效保证现有参与方的利益；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。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。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。本发明可有效保证现有参与方的利益；保证激励的公平与参与方的积极性；减少模型训练不同阶段效果提升难度的影响。

技术领域

本发明涉及隐私计算的联邦学习领域，更具体地说是一种基于区块链的联邦学习激励机制的方法。

背景技术

随着《数据安全法》的落地，国内数据流通和交易产业有望进一步规范化，催生“隐私计算”等新技术产业的发展。实现隐私计算的常见技术路径包括可信计算、联邦学习、安全多方计算等。本专利主要在隐私计算中的联邦学习的激励机制方法的探索。

联邦学习不仅是一种技术标准，也是一种商业模式。当人们意识到大数据的影响时，他们首先想到的是将数据聚合在一起，通过远程处理器计算模型，然后下载结果供进一步使用。云计算就是在这种需求下产生的。然而，随着数据隐私和数据安全的重要性越来越高，以及公司利润与其数据之间的关系越来越密切，云计算模型受到了挑战。然而，联邦学习的商业模式为大数据的应用提供了一个新的范例。当各个机构所占用的孤立数据不能产生理想的模型时，联邦学习机制使得机构和企业可以在不进行数据交换的情况下共享一个统一的模型。此外，在区块链技术的共识机制的帮助下，联邦学习可以制定公平的利润分配规则。无论数据拥有的规模如何，数据拥有者都会被激励加入数据联盟，并获得自己的利润。

联邦学习通常采用参数服务器体系结构，其中客户端训练由参数服务器下发的本地模型。一个典型的联邦学习过程包含很多训练轮次。在每一轮中，客户端从参数服务器下载新的全局模型，并分别用自己的数据训练一个本地模型。然后，客户端将训练后的模型上传到参数服务器，并聚合出一个新的全局模型。然而，当客户参与联邦学习时，不可避免的消耗他的设备的资源，包括计算资源、通信资源和能源。所以在没有足够回报的情况下，客户端可能不愿意参与或分享他们的模型。所以联邦学习亟需设计一种激励机制，来对上述消耗进行一种或数值或模型方面的补偿。

在联邦学习激励机制的设计中，有两个重要的目标：(1)评估每个客户的贡献，(2)设计一种合理的回报招来并留住更多的客户端。而在联邦学习激励机制设计中，量化每个客户的训练数据价值、并对联邦学习系统的最终模型性能进行建模是很困难的。因此，在联邦学习中，现有技术很难对每个参与者（参数服务器和客户端）的贡献进行建模，这使得现有的关于激励机制设计的方式不能直接应用在联邦学习上。

现有的联邦学习激励机制主要包括基于客户端数据贡献（包括数据质量、数据数量）；基于对模型效果的贡献；基于客户端运算资源的贡献等。

现有技术的缺点总结如下：

1)参与方的进入没有设定门槛

由于没有设定参与方的进入门槛会导致数据资源不过关的客户参与联邦学习导致模型性能降低；有恶意的客户参与联邦学习带来一些安全隐患。无法保证现有参与方的利益。

2)缺少惩罚机制

客户在联邦学习过程中可能因为主观或客观原因造成模型的性能下降或其他方面的损失，对于此种情况目前还没有相应的惩罚机制，无法有效保证现有参与方的利益。

3)激励过程没有对所有参与方透明

激励过程对所有参与方不透明，有可能带来激励不公平的现象，并导致参与者对联盟的信任缺失。

4)基于模型效果的激励机制没有考虑模型训练的不同阶段对模型效果提升的难易程度；