(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211253419.9 (22)申请日 2022.10.13 (71)申请人 贵州大学 地址 550025 贵州省贵阳市花溪区花溪大 道南段2708号 (72)发明人 彭长根　龙洋洋　陈玉玲　谭伟杰　 豆慧　 (74)专利代理 机构 武汉知律知识产权代理事务 所(普通合伙) 42307 专利代理师 李余江 (51)Int.Cl. G06F 21/62(2013.01) G06F 16/27(2019.01) G06F 16/2455(2019.01) G06F 16/248(2019.01)G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 21/64(2013.01) (54)发明名称 一种基于区块链与联邦学习的多方安全数 据共享方法 (57)摘要 本发明公开了一种基于区块链与联邦学习 的多方安全数据共享方法。 该方法实施步骤如 下： 数据请求者向其附近的超级节 点发出一个数 据共享请求， 一旦附近的超级节 点接收到数据共 享请求， 它会验证请求者的ID， 并对区块链进行 检索以确认在此之前该请求是否被处理过。 在该 过程中， 由委员会节点验证分布式数据提供者的 模型更新并执行共识过程。 数据 请求者和数据提 供者之间的数据共享事件以事务的形式生成， 并 在区块链中广播。 最后， 系统上传全局模型到区 块链， 返回结果给任务请求者。 数值结果表明， 该 发明能有效防止工业物联网数据中毒攻击， 可以 有效降低共识 计算量， 提高模型更新的隐私保护 能力， 实现工业物联网数据的多方安全 共享。 权利要求书3页 说明书7页 附图2页 CN 115510494 A 2022.12.23 CN 115510494 A 1.一种基于区块链与联邦学习的多方安全数据共享方法， 其特征在于， 所述方法包括 构建基于区块链与联邦学习的多方安全数据共享模型， 该模型分为两个阶段： 数据共享阶 段和共识阶段； 该方法包括如下步骤： 数据请求者向其附近的超级节点发出一个数据共享 请求， 一旦附近的超级节点接收到数据共享请求， 它会验证请求者的ID， 并对区块链进 行检 索以确认在此之前该请求是否被处理过； 如果有记录， 将从区块链下载模型作为请求的应 答返回； 若无， 则选择各相关参与节点采用分布梯度下降法进行模型训练； 在该过程中， 由 委员会节点验证分布式数据提供者的模型更新并执行共识过程； 数据请求者和数据提供者 之间的数据共享事件以事务的形式生成， 并在区块链中广播； 最后， 系统上传全局模型到区 块链， 返回结果给任务请求 者。 2.根据权利要求1所述的基于区块链与联邦学习的多方安全数据共享方法， 其特征在 于， 在数据共享阶段中， 进 行一次数据共享的步骤分为： 数据共享任务初始 化、 数据检索、 本 地模型训练、 全局模型聚合、 结果反馈； 其中， 所述数据共享任务初始化包括： 任务发起者r 向其附近的超级节点SNreq发出一个数据共享请求Req＝{r1,r2,...,rn}， 并支付一定数量的 代币； 请求包 含r的ID， 数据类别和时间戳， r使用私钥SKr的数字签名。 3.根据权利要求2所述的基于区块链与联邦学习的多方安全数据共享方法， 其特征在 于， 所述数据检索包括： 附近的节 点SN接收到数据共享请求， 它会验证请求者r的ID， 并对区 块链进行检索以确认在此之前该请求是否被处理过； 如果有记录， 将从区块链下载模型作 为请求ri的应答返回。 4.根据权利要求2所述的基于区块链与联邦学习的多方安全数据共享方法， 其特征在 于， 所述本地模型训练包括： 各相关参与 节点分别采用梯度下降法进 行模型训练； 每个参与 者使用它的本地数据集和初始模型参数wini进行本地模型训练； 在t轮迭代中， 每个参与节 点pi∈P通过计算局部梯度下降 根据wi(t‑1)在其本地数据Di上训练一个本地数 据模型wi(t)， 如下式所示： 其中， γ为分布式梯度下降的学习率； 然后pi将训练好的模型参数wi(t)发送给其他参与者， 并上传到区块链进行进一步的验 证和聚合。 5.根据权利要求2所述的基于区块链与联邦学习的多方安全数据共享方法， 其特征在 于， 所述全局模型聚合包括： 一旦接收到模型参数wi(t)， pi+1将根据wi(t)使用其本地数据 Di+1训练一个新的本地数据模型wi(t+1)， 并向其他参与 者广播wi(t+1)； 数据模型在参与 者 之间进行迭代训练； 最后， 将参与节点的本地模型wi(t)进行加权， 得到全局模型w(t)， 如下 式所示： 其中， N为节点数量， Ci为节点i在t轮迭代中对整个训练过程的贡献。 6.根据权利要求2所述的基于区块链与联邦学习的多方安全数据共享方法， 其特征在 于， 所述结果反馈包括： 数据请求者和数据提供者之间的数据共享事件以事务的形式生 成，权　利　要　求　书 1/3 页 2 CN 115510494 A 2并在区块链中广播； 所有记录收集成区块， 由收集节点进行加密和签名； 经过多次迭代训 练， 得到了请求任务对应的全局数据模 型w(t)； 系统根据每个参与者的贡献度， 将任务请求 者支付的代币作为奖励分配给参与模型训练的数据持有者， 以激励下次数据持有者积极参 与请求任务的模 型训练； 最后， 系统上传并存储全局模 型w(t)到区块链， 返回结果w(t)给任 务请求者。 7.根据权利要求1所述的基于区块链与联邦学习的多方安全数据共享方法， 其特征在 于， 在共识阶段中， 采用该方法达成一次有效共识的步骤分为： 委员会节点及领导选择、 本 地模型训练、 模型更新验证； 其中， 所述委员会节点及领导选择包括： 共识过程是由选定的 委员会根据模型训练的质量来选举的； 委员会节点是所有参与者节点的一个子集， 负责驱 动整个共识过程并对请求的数据模型进行学习； 准确 率最高的委员会节点将作为领导者， 汇总这些本地更新， 并将汇总 结果发送给其他委员会节点进行验证， 其余的委员会节点则 作为当前共识过程的跟随者。 8.根据权利要求7所述的基于区块链与联邦学习的多方安全数据共享方法， 其特征在 于， 所述本地模型训练包括： 各参与节点pi协作训练由数据共享任务请求者发布的初始化 全局模型wini， 并迭代生成他们自己的本地模型更新wi； 然后， 各参与节点将其 的本地模型 更新wi和数字签名上传到委员会； 交易表示FL过程中更新的本地模型wi(t)的参数， 可以记 录为ENC(ski(tm),pki)； 为每个交易生成一个权重， 以提高共识 效率， 该权重由发行节点计 算； 交易的权重W(wi(t))与模型训练的准确性和交易发起节点投入的计算资源成正比， 其 计算公式是： 其中|di|是参与者pi用于本地训练的数据大小， 是参与者pi用于本地聚合本 地模 型的累积数据大小， ρ ∈[0,1)是一个小的控制因子； si是车辆参与者pi在其本地训练中执行 的时间， Ac c(wi(t))是交易发起节点pi提供的准确度， 可以定义 为： 其中Fi(w)是参与参与者pi协同训练任务发布者发布的初始化模型参数； 根据交易本身的权重和其他M笔交易根据验证的准确性估计的权重之和， 定义交易的 累积权重CW(wi(t))为： 其中W(j)是第j笔交易验证wi(t)的权重， Accj是第j笔交易 的发起节点计算 的wi(t)的 准确度。 9.根据权利要求7所述的基于区块链与联邦学习的多方安全数据共享方法， 其特征在 于， 所述模型更新验证包括： 在收到本地模型更新后， 委员会节点pj首先选择累计权重较高 的交易进行验证； 而后pj将通过验证发送者的数字签名来验证其合法性， 并使用其本地数 据集评估本地模型更新的质量； 委员会节点pj凭借其自身的数据集， 只有训练精度 高于给权　利　要　求　书 2/3 页 3 CN 115510494 A 3