(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 202211047582.X (22)申请日 2022.08.29 (71)申请人 成都安恒信息技 术有限公司 地址 610000 四川省成 都市自由贸易试验 区成都高新区天府 大道北段1480号高 新孵化园6号楼1 10室 (72)发明人 张敏　熊虎　刘智远　姜毅　刘韬　 (74)专利代理 机构 成都君合集专利代理事务所 (普通合伙) 51228 专利代理师 尹新路 (51)Int.Cl. G06F 21/31(2013.01) G06F 21/64(2013.01) G06F 21/62(2013.01) G06F 16/27(2019.01)G06N 20/00(2019.01) H04L 9/32(2006.01) (54)发明名称 一种支持身份证明的联邦学习方法、 系统、 设备及介质 (57)摘要 本发明涉及人工智能和信息安全领域， 具体 地说， 涉及一种支持身份证明的联邦学习方法、 系统、 设备及介质， 通过将环签名与去中心化的 区块链结构相结合引入到联邦学习算法中， 解决 了机器学习模型训练过程中数据来源无法保证 合法性的问题， 实现了对训练参与用户身份信息 的保护， 实现在复杂环境下仍然能满足实际的安 全需求。 权利要求书2页 说明书9页 附图1页 CN 115438322 A 2022.12.06 CN 115438322 A 1.一种支持身份 证明的联邦学习方法， 其特 征在于， 包括以下步骤： 步骤1： 初始化可信机构， 生成系统安全参数， 将系统安全参数和从委托人获取的利用 深度学习初始化 函数生成的初始全局模型M 0发布在区块链中； 步骤2： 将从训练参与用户获取的训练参与用户所需的身份信息和地理位置发送至可 信机构注册， 并将从可信机构获取的注册成功的训练参与用户的公私钥对发布在区块链 上； 步骤3： 将 从训练参与用户获取的模型参数， 利用随机梯度 下降算法更新得到的训练参 与用户当前的模型参数； 步骤4： 根据步骤3得到的当前的模型参数， 更新从训练参与用户获取的当前的训练参 与用户所要签名的本地模型， 根据从可信机构获取 的公私钥对生成环签名， 并将生成的环 签名发送至 MEC服务器进行验证， 若通过验证， 则判断当前的训练参与用户是合法用户； 步骤5： 将步骤4判断出的合法的训练参与用户， 计算出合法的训练参与用户的本地模 型的精度损失值； 步骤6： 根据步骤5计算得出的精度损失值， 将精度损失值最接近1的三位合法的训练参 与用户， 利用设定的奖励机制给予响应奖励； 步骤7： 将精度损失值最接近1的合法的训练参与用户选举为本轮的临时领导者， 聚合 合法的训练参与用户的本地模型， 并将最 新的本地模型发布到区块链中； 步骤8： 获取第i个合法的训练参与用户的数据点索引值， 利用最小化任务的损失函数 得到优化后的全局模型参数。 2.如权利要求1所述的一种支持身份证明的联邦学习方法， 其特征在于， 所述步骤2 的 具体操作为： 将从可信机构获取的在集合 中选取的随机数x作为主密钥， 计算随机数x对 应的主公钥， 将从训练参与用户获取的训练参与用户所需要的身份信息和地理信息发送至 可信机构注册， 生成合法的训练参与用户， 根据所有合法的训练参与用户生成独立的公钥 和公钥对应的私钥返回给对应的训练参与用户， 将公钥集用集合Q表示， 并发布在区块链 上。 3.如权利要求2所述的一种支持身份证明的联邦学习方法， 其特征在于， 所述步骤3的 具体操作为： 将从训练参与用户获取的训练参与用户从区块链上下载的初始全局模型M0和 存储在本地的数据训练训练参与用户的本地模型， 并利用随机梯度下降算法更新得到的训 练参与用户当前的模型参数。 4.如权利要求3所述的一种支持身份证明的联邦学习方法， 其特征在于， 所述步骤4具 体包括以下步骤： 步骤41： 根据从训练参与用户获取的在加法循环 群中选取的随机算子αi， 计算出训练参 与用户的签名元素c i， 在集合Z* q中选取一个随机数r， 计 算出当前签名用户在加法循环群中 的算子αu、 当前签名用户的签名元 素cu、 当前签名用户的签名参数V； 步骤42： 根据步骤41计算出的当前签名用户在加法循环 群中的算子αu、 当前签名用户的 签名元素cu、 当前签名用户的签名参数V、 当前签名用户的公私钥对， 计算出当前签名用户 的本地模型的环签名 σ； 步骤43： 根据步骤41计算出的训练参与用户的签名元素ci， 验证环签名是否有效， 若通权　利　要　求　书 1/2 页 2 CN 115438322 A 2过验证， 则判断当前的训练参与用户是合法用户。 5.如权利要求1所述的一种支持身份证明的联邦学习方法， 其特征在于， 所述步骤5中 利用计算出的精度损失值判断训练参与用户的本地模型的精度高低的具体操作为： 若训练 参与用户的本地模型的精度损失值越接近于1， 则训练参与用户的本地模型的精度越高； 若 训练参与用户的本地模型 的精度损失值接近于0时， 则训练参与用户的本地模型 的精度越 低。 6.如权利要求1 ‑5任一项所述的一种支持身份证 明的联邦学习方法， 其特征在于， 所述 系统安全参数包括阶为q的加法循环群G1、 加法循环群G1的生成元E、 阶为q的乘法循环群 G2、 双线性映射e： G1×G1→G2、 哈希函数H1、 H2， H1： {0， 1}*→G1、 H2： 7.一种支持身份证明的联邦学习系统， 其特征在于， 包括初始单元、 注册单元、 训练单 元、 签名验证单 元、 精度损失单 元、 激励单 元、 聚合单 元、 输出单元； 所述初始单元， 用于初始化可信机构， 生成系统安全参数， 将系统安全参数和从委托人 获取的利用深度学习初始化 函数生成的初始全局模型M 0发布在区块链中； 所述注册单元， 用于将从训练参与用户获取的训练参与用户所需的身份信 息和地理位 置发送至可信机构注册， 并将从可信机构获取的注册成功的训练参与用户的公私钥对发布 在区块链上； 所述训练单元， 用于将从训练参与用户获取的模型参数， 利用随机梯度下降算法更新 得到的训练参与用户当前的模型参数； 所述签名验证单元， 用于将得到的当前的模型参数， 更新从训练参与用户获取的当前 的训练参与用户所要签名的本地模型， 根据从可信机构获取 的公私钥对生成环签名， 并将 生成的环签名发送至MEC服务器进 行验证， 若通过验证， 则判断当前的训练参与用户是合法 用户； 所述精度损 失单元， 用于判断出的合法的训练参与用户， 计算出合法的训练参与用户 的本地模型的精度损失值； 所述激励单元， 用于根据计算出的精度损失值， 将精度损失值最接近1的三位合法的训 练参与用户， 利用设定的奖励机制给予响应奖励； 所述聚合单元， 用于将精度损 失值最接近1的合法的训练参与用户选举为本轮的临时 领导者， 聚合合法的训练参与用户的本地模型， 并将最 新的本地模型发布到区块链中； 所述输出单元， 用于获取第 i个合法的训练参与用户的数据点索引值， 利用最小化任务 的损失函数 得到优化后的全局模型参数。 8.一种电子设备， 其特 征在于， 包括存 储器， 用于存 储计算机程序； 所述处理器， 用于执行所述计算机程序时实现如权利要求1 ‑6任一项所述的支持身份 证明的联邦学习方法。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求1 ‑6任一项所述的支持身份证明的 联邦学习方法。权　利　要　求　书 2/2 页 3 CN 115438322 A 3