[发明专利]一种基于隐私计算和区块链的数据可信处理方法

说明书

本发明涉及信息安全领域，其公开了一种基于隐私计算和区块链的数据可信处理方法，解决现有技术中的联邦学习仍然存在着恶意改变本地模型而影响全局模型或模型被随意传播的风险的问题和缺乏审计的问题。本发明在模型训练过程中，数据方和算法方向基础设施方提出使用申请，基础设施方对申请审核通过后，生成训练标识并将相关信息上链，算法方确定训练次数、数据批大小、模型算法和初始参数等信息，采用安全多方计算中的两方计算对模型参数进行迭代更新，直至获取最终模型；在模型使用过程中，数据方向基础设施方提出申请；基础设施方对申请审核通过后将相关信息上链，数据方将使用模型的数据与算法方的模型，采用安全多方计算中的两方计算，进行模型的计算，得到预测结果。

技术领域

本发明涉及信息安全领域，具体涉及一种基于隐私计算和区块链的数据可信处理方法。

背景技术

近年来，机器学习和人工神经网络的研发工作加速推进，人工智能实现了巨大的突破。人工智能在感知、识别、决策等信息技术和大数据分析领域研究和产业上取得了巨大成功，成为了现代、未来科技和社会发展的一个主要驱动力，并广泛带动其它领域的科技创新。

在实际操作中，为了使机器学习有更好的效果，人们不得不将大量原始数据送入模型中训练，这使得一些敏感数据被恶意的攻击者窃取。因此，研究人员开始研究如何在保护数据安全和隐私的前提下提高机器学习的准确率。经过多年的探索，提出了一种基于机器学习框架的联邦学习模型，如图1所示，联邦学习模型的实现主要分为以下三个步骤：

1、模型选择：中央服务器先预训练一个模型，然后将整个模型(包括其初始参数)分享给所有的用户终端；

2、本地训练模型：用户接收到分发的模型后用各自的数据训练该模型，同时更新参数，然后将训练好的模型重新发送给中央服务器；

3、整合模型：中央服务器接收到各个用户的模型后将其整合成一个全局模型，然后再分享给各个用户终端。

通过以上三步不断迭代直至模型收敛为止。

联邦学习的出发点是在保护数据安全和隐私的前提下提高机器学习的准确率。然而，在此过程过中，仍然存在着恶意改变本地模型影响全局模型或模型被随意传播的风险，也存在着缺乏审计的问题。

发明内容

本发明所要解决的技术问题是：提出一种基于隐私计算和区块链的数据可信处理方法，解决现有技术中的联邦学习仍然存在着恶意改变本地模型而影响全局模型或模型被随意传播的风险的问题和缺乏审计的问题。

本发明解决上述技术问题采用的技术方案是：

一种基于隐私计算和区块链的数据可信处理方法，应用于包括数据方、算法方和基础设施提供方的处理系统；所述数据方为拥有数据的一方，所述算法方为算法设计的一方，所述基础设施方提供安全多方计算，区块链客户端和区块链；该方法包括：

A、模型训练：

A1、数据方和算法方向基础设施方提出使用申请；

A2、基础设施方对使用申请进行审核，审核通过，则生成唯一训练标识；

A3、基础设施方将唯一训练标识、时间、申请事件、数据方信息和算法方信息上链；

A4、进行节点准备：根据实际情况选择节点的位置，如果使用基础设施方的节点，则将拥有的数据或算法同步到基础设施方提供的节点上；否则，在已方的节点上安装基础设施方提供的含有安全多方计算和区块链客户端的sdk；

A5、节点准备好后，区块链客户端记录第一相关信息；

A6、算法方确定训练的次数epoch，数据小批的大小mini-batch，使用的模型算法M，算法的初始参数W，初始训练次数计数i为0，区块链客户端记录第二相关信息；