[发明专利]一种基于区块链的群组协同学习方法

权利要求书

1.一种基于区块链的群组协同学习方法，其特征在于，包括如下步骤：

S1，基于区块链技术构建工业边缘所对应的协同学习模型，将工业边缘中的所有边缘节点划分为训练集和测试集；

S2，在区块链中预设智能合约模块，设置初始模型参数、全局聚合轮数I和初始迭代次数i＝1，采用分区聚类方法对训练集中的边缘节点进行局部训练组划分；

S3，选取每个局部训练组中信用最高的边缘节点作为领导节点，其它边缘节点均为训练节点，并由所有局部训练组的领导节点组成全局聚合组；

S4，每个训练节点利用神经网络和初始模型参数进行本地训练得到本地训练模型，领导节点利用联邦学习方法对接收到的本地训练模型进行聚合得到本地模型；

S5，智能合约模块触发全局聚合，全局聚合组对接收到的本地模型进行聚合得到全局模型；

S6，每个局部训练组的领导节点利用测试集验证本地模型，根据验证准确率和历史信用更新所有边缘节点的信用；

S7，根据全局模型更新初始模型参数，判断i＜I，如果是执行i＝i+1并返回步骤S3，否则结束。

2.根据权利要求1所述的基于区块链的群组协同学习方法，其特征在于，在步骤S2中，所述智能合约模块包括：

节点注册模块：根据信用对边缘节点的角色进行划分，所述角色包括训练节点和领导节点；

本地模型生成模块：训练节点基于训练集和全局模型生成本地训练模型，领导节点将上一轮计算的信用归一化后作为本轮权重对本地训练模型进行聚合生成本地模型；

本地模型上传模块：本地模型生成后，领导节点将本地模型的模型参数上传至区块链；

全局模型聚合模块：对接收到的本地模型进行聚合得到全局模型；

全局模型参数获取模块：负责从区块链上获取全局模型的模型参数；

信用上传模块：将信用上传到区块链存储；

状态查询模块：获取训练状态信息，所述训练状态信息包括当前本地模型训练轮数、模型更新情况和信用计算数量。

3.根据权利要求1所述的基于区块链的群组协同学习方法，其特征在于，在步骤S2中，所述采用分区聚类方法对训练集中的边缘节点进行局部训练组划分包括如下步骤：

①任务发布者发布协同学习任务，希望加入协同学习任务的边缘节点发送带有身份标识和贡献度的请求给任务发布者；

②任务发布者对接收到的请求进行验证，并根据边缘节点的贡献度选取边缘节点加入协同学习任务；

③采用分区聚类方法对加入协同学习任务的边缘节点进行局部训练组划分。

4.根据权利要求3所述的基于区块链的群组协同学习方法，其特征在于，所述贡献度的计算公式为：

式中，Cobtribution_k表示边缘节点k的贡献度，D_k表示边缘节点k的本地数据集大小，N表示训练集中的边缘节点的总数，f_k表示边缘节点k的本地CPU频率。

5.根据权利要求1所述的基于区块链的群组协同学习方法，其特征在于，在步骤S4中，所述每个领导节点分别利用联邦学习方法对接收到的本地训练模型进行聚合得到本地模型包括如下步骤：

⑴利用归一化方法计算每个训练节点的聚合权值；

⑵领导节点根据聚合权值对接收到的本地训练模型利用联邦学习方法进行聚合得到本地模型。

6.根据权利要求5所述的基于区块链的群组协同学习方法，其特征在于，当i≥2时，所述聚合权值的计算公式为：

式中，G表示局部训练组的组数，表示训练节点k在第i-1轮的信用，表示训练节点k在第i轮的聚合权值，N表示训练集中的边缘节点的总数。

7.根据权利要求1所述的基于区块链的群组协同学习方法，其特征在于，在步骤S6中，所述边缘节点的信用的计算公式为：

式中，表示边缘节点k在第i轮迭代训练时的信用，u表示权重因子，表示边缘节点k在第i轮迭代训练时的本地模型参数，表示通过全局聚合获得的全局模型参数，和表示基于边缘节点k的测试集，δ表示学习率，表示边缘节点k在第m轮的信用，f(·)表示模型函数。