1.一种基于区块链的联邦学习隐私保护方法,其特征在于:包括以下步骤:步骤1,任务发布者生成Pailler同态加密算法的同态公私钥对,以及初始化基于联邦学习的全局模型,并将全局模型中与联邦学习任务相关的参数签名后发布到区块链;
步骤2,各意向的参与者从区块链更新全局模型后,使用本地数据集对全局模型进行本地训练,得到局部模型,并用同态公钥将局部模型加密后发送至委员会;
步骤3,委员会对收到的各参与者的局部模型进行梯度质量检测,对检测通过的局部模型进行全局模型聚合,然后将聚合后的全局模型发送至任务发布者;
步骤4,任务发布者更新全局模型,检测全局模型是否达到收敛要求,若未达到收敛要求,则重复执行步骤2‑步骤3,直到全局模型达到收敛要求;若达到收敛要求,则执行下一步骤;
步骤5,联邦学习任务结束,自动触发智能合约为委员和各参与者会分发奖励。
2.根据权利要求1所述的一种基于区块链的联邦学习隐私保护方法,其特征在于:所述步骤1的具体步骤包括:任务发布者选择两个大素数p、q,随机选择参数 , 为乘法群内的一个元素,表示一个乘法群;计算 , ,lcm表示最小公倍数;
生成基于Pailler同态加密算法的同态公钥 ,和同态私钥 ;
任务发布者向区块链发送请求 ,Sp为任务发布者使用skp对Inf的签名,skp为区块链为任务发布者分配的系统私钥;Inf为全局模型中与联邦学习任务相关的参数,且有:其中,address为任务发布者的地址;m为背书结点数量;N为意向的参与者数量; 为初始化全局模型;Maxt为最大迭代次数,t为迭代次数;money为预付金额;为奖励分发比例参数, ;为连接符,表示和。
3.根据权利要求2所述的一种基于区块链的联邦学习隐私保护方法,其特征在于:所述步骤1还包括步骤:智能合约验证签名Sp,并检查任务发布者的账户余额,若余额不足则拒绝任务发布者的请求,否则从任务发布者的账户中冻结预付金额money,并为其联邦学习任务按照DPOS选举机制选择m个背书结点组成委员会。
4.根据权利要求2所述的一种基于区块链的联邦学习隐私保护方法,其特征在于:所述步骤2的具体步骤包括:参与者i使用本地数据集对上一轮迭代的全局模型 进行本地训练,得到本轮迭代的局部模型 ,t为迭代次数,i为第i个意向的参与者,1≤i≤N;
参与者i将局部模型 使用任务发布者的同态公钥 进行加密,得到密文;并对密文 用区块链为委员会成员分配的系统公钥pkj再次进行加密,计算 ,c为再次加密后的密文,j为第j个委员会成员,1≤j≤m, 表示用系统公钥pkj对密文 加密;
计算参与者i的签名 ,ski为区块链为参与者i分配的系统私钥,表 示 用系统 私钥 对密 文c 签名 ,参与 者i 将信 息数 据发送至委员会。
5.根据权利要求4所述的一种基于区块链的联邦学习隐私保护方法,其特征在于:所述步骤3的具体步骤包括:委员会收到参与者i发送的信息数据Modeli后,先验证签名Si,若验证通过则计算密文,skj为区块链为委员会成员j分配的系统私钥, 表示用系统私钥 对密文c解密;
委员会计算各参与者i的局部模型的参数均值:通过对密文 添加第一噪声,获得 ,将 发送至任务发布者;
任务发布者使用同态私钥 对 解密后,计算添加了第一噪声的局部模型参数均值Ave`;任务发布者使用同态公钥 再次对Ave`进行加密,得到,将 发送至委员会;
委员会对 进行消噪,得到参与者i的局部模型的参数均值 ;
委员会对 和 分别添加第二噪声,得到 和
,并将 和 发送至任务发布者;
任务发布者使用同态私钥 对 和 解密后,得到 和;计算皮尔逊相关系数 :
任务发布者将 发送至委员会,委员会计算参与者i第t次迭代的质量参数 :若 的值为0,则参与者i的局部模型梯度质量检测不通过,第t轮迭代中参与者i的局部模型被丢弃,不参与全局模型聚合;
委员会对梯度质量检测通过的局部模型进行聚合:其中, 为聚合后的全局模型;N1为局部模型通过梯度质量检测的参与者i的数量;
委员会将聚合的全局模型 发送至任务发布者。
6.根据权利要求5所述的一种基于区块链的联邦学习隐私保护方法,其特征在于:所述步骤4的具体步骤包括:任务发布者接收到聚合的全局模型 后使用同态私钥 解密,得到;计算 ,为学习率,得到第t轮迭代的全局模型 ;
检测全局模型 是否达到收敛要求,若未达到收敛要求,更新全局模型为 ,并将迭代次数更新为t+1,重复执行步骤2‑步骤3,直到全局模型达到收敛要求,或直到t=Maxt;
若达到收敛要求,则广播联邦学习任务结束,执行步骤5。
7.根据权利要求6所述的一种基于区块链的联邦学习隐私保护方法,其特征在于:所述步骤5的具体步骤包括:联邦学习任务完成后,自动触发智能合约执行奖励分发,其中参与者i获得的奖励为:其中,rewi为参与者i获得的奖励; 为第t轮迭代时参与者i的质量参数,T为迭代的总次数;
委员会中各成员获得的奖励为:
其中,rew为委员会中各成员获得的奖励。