[发明专利]基于区块链的联邦学习方法、装置和计算机设备

说明书

本申请涉及一种基于区块链的联邦学习方法、装置和计算机设备。所述方法包括：通过分布式账本平台，建立联邦学习区块链网络，通过智能合约向边缘终端发送上传本地梯度的提案，以使边缘终端根据状态数据库中的本地梯度，生成关于本地梯度的交易，并写入新的区块；接收边缘终端发送的聚合智能合约调用请求，使得边缘终端根据所述聚合智能合约调用请求获取新的区块中的本地梯度，并进行梯度聚合，得到聚合梯度；采用随机梯度算法进行本地模型更新和全局模型更新。采用本方法能够提高联邦学习数据的安全性和效率。

技术领域

本申请涉及区块链技术领域，特别是涉及一种基于区块链的联邦学习方法、装置和计算机设备。

背景技术

工业物联网(IIoT)模式下互联设备的快速发展，大量部署在传统数据中心、云内的基础设施(存储、计算、通信等)将被推出中心，重新部署在边缘和终端设备上，导致边缘网络产生的数据量迅速增加，通过对边缘网络数据的分析、挖掘与共享，能够促进属于不同利益主体的异构智能设备之间开展积极有效的融合与协作，为提高新兴边缘应用程序的服务质量开辟了新的可能性。

近年来，边缘智能通过结合AI算法和边缘计算对网络终端数据共享与融合进行了大量的研究。如深度强化学习被用于边缘计算的资源优化。但是，对于用户数据高效协同利用、数据安全与隐私等问题不断关注加剧了对新技术和先进解决方案的需求。所述模式中，数据是新兴边缘应用形成精准决策认知，提高服务质量的基础，也是边缘终端自组织融合协作的关键。基于数据的精准决策、高效利用可以转换为依赖于正确高效的算法模型，但更依赖大规模的训练数据。而广域、分散的环境导致各边缘和终端的本地数据规模不足以支撑训练可靠、精准的智能决策模型；数据集中传输至云端的方法风险高，传输不稳定，容易造成数据拥塞。同时技术上的可行性与数据隐私保密性、权属明确性之间的分歧正在加大，尤其是在敏感复杂的环境中尤为突出。

区块链作为一种新范式，可以通过为非信任实体之间维护分布式账本的方式提供一种在不可信环境下解决安全问题的方案。区块链结合AI算法对于分布式数据共享融合提供了一种有前景的技术，但是传统AI算法通过将数据收集集中在中心服务器上训练，不但会泄露用户隐私，还会增加区块链的负荷。

发明内容

基于此，有必要针对上述技术问题，提供一种基于区块链的联邦学习方法、装置和计算机设备。

一种基于区块链的联邦学习方法，所述方法包括：

通过分布式账本平台，建立联邦学习区块链网络；所述联邦学习区块链网络中每个边缘终端对应区块链节点，所述边缘终端中存储本地模型和本地数据库，所述边缘终端根据所述本地数据库训练所述本地模型时，得到当前迭代次数对应的本地模型参数和对应的本地梯度，并且通过智能合约上传至区块链节点的状态数据库；

通过智能合约向边缘终端发送上传本地梯度的提案，以使边缘终端根据所述状态数据库中的本地梯度，生成关于所述本地梯度的交易，并写入新的区块；

接收边缘终端发送的聚合智能合约调用请求，使得边缘终端根据所述聚合智能合约调用请求获取新的区块中的本地梯度，并进行梯度聚合，得到聚合梯度；

采用随机梯度算法进行本地模型更新和全局模型更新。

在其中一个实施例中，还包括：根据本轮迭代的所述聚合梯度，确定边缘终端的梯度熵值，以及根据所述梯度熵值确定各个边缘终端的本地梯度的选择概率，根据所述选择概率获取新的区块中的本地梯度。

在其中一个实施例中，还包括：根据本轮迭代的所述聚合梯度，确定边缘终端的梯度熵值为：

其中，E_i，t(g(W_i，t))表示梯度熵值，p(w_i)是根据所述本地梯度与所述聚合梯度的比值得到的，g(W_i，t)表示本地梯度，w_i本地模型参数。