[发明专利]一种基于区块链的联邦学习模型质量检测方法

说明书

本发明公开了一种基于区块链的联邦学习模型质量检测方法，首先模型请求方requester和模型训练方worker将身份标识发送给智能合约，requester用测试集建出Merkle Tree，将Merkle Tree的根哈希发送给智能合约，worker用本地的数据训练模型后建出Merkle Tree，将Merkle Tree的根哈希发送给智能合约，requester将测试集发送给worker，worker使用测试集测试模型得到输出和相应的证明，将Merkle Tree的根哈希发送给智能合约，将输出和模型发送给worker，若在拿到模型后requester不能向智能合约提供worker给出的模型的测试结果不满足要求或证明错误的证据，智能合约就会给worker奖励；若能提供worker做恶的证据，对worker进行惩罚。该方法能够和利益分配相结合，且极大地节省链上的计算资源和存储资源。

技术领域

本发明涉及联邦学习，区块链，密码学，激励等领域，尤其涉及一种基于区块链的联邦学习模型质量检测方法。

背景技术

现今针对在联邦学习的模型审计或者验证模型训练方数据质量的问题已经有着一些解决方案，如Class-Sampled Validation Error Scheme(CSVES)方法，该方法仅针对分类问题，数据按照标签进行分类，模型训练方worker将本地数据集数据的种类集合C_D发送给模型请求方requester，requester从链下的数据集中获取对应于集合C_D的验证数据集，并将验证数据集发送给worker，worker在本地训练模型，穿插着使用验证数据集并记录其的误差，训练完成之后，worker将模型和验证数据集生成的误差序列一起发送给requester，requester可以通过两种方式验证worker训练的模型或者worker本地数据的质量：一是用误差序列拟合直线，看斜率是不是负的；二是看误差序列最后的元素是不是小于某个阈值。这种方法存在着一些问题：一是worker可以做恶，生成假的误差序列欺骗requester：二是整个方法没有和激励奖惩机制关联起来，缺乏实际的应用价值。

关于模型公平交易的方法也存在着一些解决方案，如worker可以将整个模型训练完以后发送给智能合约，这样会出现一些问题：一是worker将模型暴露给requester以后就处于被动，能不能得到报酬的控制权完全在requester手里；二是链上存储和计算的成本过高，实际情况下难以在链上存储整个模型；三是模型的好坏没有一个明确的判定方式，完全由requester说了算。因此，这些问题都是现有技术无法进行解决的。

发明内容

针对现有技术的不足，本发明提供一种基于区块链的联邦学习模型质量检测方法，该方法要解决的问题是模型请求方requester如何对模型训练方worker训练的模型的优劣进行检测，以及在requester想要拿到模型、worker想要获得奖励的假设下如何公平地进行模型交易，即worker无法用劣质的模型去欺瞒requester而获得奖励，requester无法在获得优质模型的情况下而不给奖励。本发明通过区块链上的智能合约作为一个去中心化的可信第三方，用零知识证明、密码学等方法将整个检测的过程分成多个阶段进行解决，并节省了链上的资源成本，链上只需要存储O(1)的数据，智能合约的计算时间复杂度为O(logn+logN)，其中n是测试集中测试点的数量，N是零知识证明电路的大小，由于在我们的方案中零知识证明使用zk-STARK，所以验证一个证明的正确性只需要O(logN)的复杂度。

本发明的目的是通过以下技术方案实现的：一种基于区块链的联邦学习模型质量检测方法，包括以下步骤：

一种基于区块链的联邦学习模型质量检测方法，包括以下步骤：

(1)模型请求方requester和模型训练方worker约定需要训练的模型和优化器的设定；