[发明专利]一种面向联邦学习的分布式存储方法、装置、设备及介质

权利要求书

1.一种面向联邦学习的分布式存储方法，其特征在于，包括：

S1、接收任务发布者在智能合约上发布的训练任务，其中，所述智能合约部署在区块链上；

S2、在通过所述智能合约获取初始模型后，联邦学习节点利用本地数据对所述初始模型进行训练得到局部模型，并确定局部模型的哈希值；

S3、联邦学习节点将局部模型的哈希值以及局部模型存放至分布式存储系统，并将局部模型的哈希值交易至所述智能合约，其中，局部模型的哈希值与局部模型是一种键与值的关系；

S4、各普通节点在通过PoA共识机制中投票选举的方式确定本轮训练的权威节点后，权威节点根据所述智能合约中本轮局部模型的哈希值来查找所述分布式存储系统中存放的局部模型；

S5、权威节点将查找到的局部模型进行聚合后得到本轮训练的全局模型，并在确定全局模型的哈希值之后，将全局模型的哈希值以及全局模型存放至分布式存储系统中。

2.根据权利要求1所述面向联邦学习的分布式存储方法，其特征在于，所述方法还包括：

普通节点监督权威节点的行为，并判断权威节点的行为是否非法；

若权威节点的行为是非法的，则普通节点将再次通过投票选举的方式来确定本轮训练中新的权威节点。

3.根据权利要求1所述面向联邦学习的分布式存储方法，其特征在于，所述权威节点将查找到的局部模型进行聚合后得到本轮训练的全局模型，包括：

权威节点对查找到的局部模型进行检验，得到局部模型的准确率；

将准确率高于阈值的局部模型作为目标局部模型，通过权威节点将所有目标局部模型进行聚合，得到本轮训练的全局模型。

4.根据权利要求1所述面向联邦学习的分布式存储方法，其特征在于，所述权威节点将查找到的局部模型进行聚合后得到本轮训练的全局模型，包括：

权威节点对查找到的局部模型进行验证，得到局部模型的准确率；

在根据各局部模型的准确率来确定各局部模型的加权值之后，权威节点根据各局部模型的加权值将所有局部模型进行加权聚合，得到本轮训练的全局模型。

5.根据权利要求1所述面向联邦学习的分布式存储方法，其特征在于，在确定全局模型的哈希值之后，还包括：

S6、所述权威节点将全局模型的哈希值交易至所述智能合约；

S7、联邦学习节点根据所述全局模型的哈希值来查找所述分布式存储系统中存放的全局模型；

S8、将所述全局模型作为新的初始模型重复步骤S2-S8，直至所述全局模型满足所述训练任务中的目标条件。

6.一种面向联邦学习的分布式存储装置，其特征在于，包括：

接收模块，用于接收任务发布者通过在智能合约上发布的训练任务，其中，所述智能合约部署在区块链上；

训练模块，用于在通过所述智能合约获取初始模型后，联邦学习节点利用本地数据对所述初始模型进行训练得到局部模型，并确定局部模型的哈希值；

存储模块，用于控制联邦学习节点将局部模型的哈希值以及局部模型存放至分布式存储系统，并将局部模型的哈希值交易至所述智能合约，其中，局部模型的哈希值与局部模型是一种键与值的关系；

共识模块，用于通过各普通节点在通过PoA共识机制中投票选举的方式确定本轮训练的权威节点后，权威节点根据所述智能合约中本轮局部模型的哈希值来查找所述分布式存储系统中存放的局部模型；

聚合模块，用于控制权威节点将查找到的局部模型进行聚合后得到本轮训练的全局模型，并在确定全局模型的哈希值之后，将全局模型的哈希值以及全局模型存放至分布式存储系统中。

7.一种设备，其特征在于包括存储器、处理器以及存储在所述存储器中并能在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任意一项所述面向联邦学习的分布式存储方法的步骤。

8.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述面向联邦学习的分布式存储方法的步骤。