(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210777280.1 (22)申请日 2022.07.04 (65)同一申请的已公布的文献号 申请公布号 CN 114844653 A (43)申请公布日 2022.08.02 (73)专利权人 湖南密码工程研究中心有限公司 地址 410000 湖南省长 沙市长沙高新开发 区麓云路100号兴工科技园10 栋402 (72)发明人 邓庭波　蔡洁　胡荣　向斌　田谷　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 丛诗洋 (51)Int.Cl. H04L 9/32(2006.01) H04L 9/06(2006.01)H04L 67/06(2022.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (56)对比文件 CN 113837761 A,2021.12.24 CN 112580821 A,2021.0 3.30 CN 112100659 A,2020.12.18 CN 113839838 A,2021.12.24 CN 113344222 A,2021.09.0 3 WO 2021021942 A1,2021.02.04 CN 114091103 A,2022.02.25 Yuzheng Li ET AL. . 《A Blockchain-Based Decentral ized Federated Learn ing Framework with Committee Consensus》 . 《IE EE Network》 .2020, 审查员 陈孟奇 (54)发明名称 基于联盟链的可信联邦学习方法 (57)摘要 本发明提供了一种基于联盟链的可信联邦 学习方法， 所述方法包括： 由所述客户端选择需 要加入的模 型， 所述服务器向每个所述客户端发 送客户证明， 并由所述客户端保存所述客户证 明； 所述客户端从服务器下载当前共享模型的参 数， 将当前参数加载到本地模型中训练， 完成对 模型的更新并生成新参数； 所述客户端将新参数 分发到该模型下超过半数的其他客户端进行测 试， 并收集其他客户签名后的测试反馈； 所述客 户端将新参数和测试反馈发给服务器， 由所述服 务器向其他客户端验证， 验证通过后将新参数提 交到链中心； 所述服务器选择链上最优的参数进 行聚合， 更新共享模型， 直至模型达到训练目标。 保证了模型参数的安全性与可靠性， 有效降低存 储资源的开销。 权利要求书2页 说明书7页 附图5页 CN 114844653 B 2022.09.30 CN 114844653 B 1.一种基于联盟链的可信联邦学习方法， 应用于基于联盟链的可信联邦学习系统， 所 述系统包括： 服务器； 多个客户端， 每个客户端分别与所述服务器相连接， 且每个客户端均 拥有不同的训练数据集和 测试数据集， 用于训练和 测试参数； 其特 征在于， 所述方法包括： 步骤1， 由所述客户端选择需要加入的模型， 所述服务器向每个所述客户端发送客户证 明， 并由所述 客户端保存所述 客户证明； 步骤2， 所述客户端从服务器下载当前共享模型的参数， 将当前参数加载到本地模型中 训练， 完成对 模型的更新并生成新 参数； 步骤3， 所述客户端将新参数分发到该模型下超过半数的其他客户端进行测试， 并收集 其他客户签名后的测试反馈； 步骤4， 所述客户端将新参数和测试反馈发给服务器， 由所述服务器验证参数， 验证通 过后将新 参数提交到链中心； 步骤5， 所述服务器选择链上最优的参数进行聚合， 更新共享模型， 直至模型达到训练 目标。 2.根据权利要求1所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述方法还包 括： 在所述服务器搭建联盟链中心网络， 用于存取参数文件、 存取模型文件、 验证参数和联 盟币； 由所述服务器建立神经网络学习模型， 取出其中的参数， 对所述神经网络学习模型和 参数加密后保存加密文件， 并上传到链中心。 3.根据权利要求2所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述在所述服 务器搭建联盟链中心网络的步骤具体包括： 在所述服务器新建一个联盟币数据库并将数据库的散列值上传到联盟链； 由链中心提供数据接口， 参与方直接向链中心上传和下载相关文件， 其文件名需要经 过散列处 理， 由参与方保管； 由链中心提供验证接口， 将参数和联盟币保存在分类账本中， 通过比对链中心 的账本 状态来验证该参数或联盟币的状态是否正确。 4.根据权利要求3所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述由所述服 务器建立神经网络学习模型， 取出其中的参数， 对所述神经网络学习模型和 参数加密后保 存加密文件， 并上传到链中心的步骤具体包括： 新建一个神经网络学习模型， 并取 出其中的参数； 通过AES对称加密分别将模型和参数加密处理后保存为文件， 其中， 文件名是对随机一 串字节的散列以保持其独特性； 文件内容经过散列处理HASH得到文件哈希 ， 将 和上一次链上哈希 以及IV合并 的结果进行一次散列HASH得到新的链上哈希 ， 上传到链中心。 5.根据权利要求1所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述步骤1具 体包括： 客户端进行注册， 并选择需要加入的模型；权　利　要　求　书 1/2 页 2 CN 114844653 B 2服务器向所述 客户端利用RSA签名体制提供客户证明 ， 并由客户端保存； 服务器分发一定数量的联盟币作为该客户的初始资产， 并更改联盟币数据库， 将数据 库的散列值上传至链中心。 6.根据权利要求5所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述步骤2具 体包括： 所述客户端向所述 服务器提供客户证明， 服 务器根据所述 客户端的RSA公钥进行验证； 服务器将散列处理H ash过的文件名提供给客户端， 客户端从链中心下载全局模型的参 数， 所述参数用AES解密； 客户端向链中心验证该参数 是否是最 新的模型参数， 且未被修改； 客户端将下载的最新参数加载到本地模型进行更新， 使用本地训练集进行训练得到最 优的新模型参数。 7.根据权利要求6所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述步骤3具 体包括： 客户端将新参数分发到该模型下超过半数的其他客户端进行测试， 且由客户端向自己 选择的其他客户端提供一定数量的联盟币， 其他客户端根据其提供的联盟币的数量来决定 是否需要为 其测试参数； 客户端收集其他客户签名后 的测试反馈 ， 测试反馈含有测试结果的正确率和使用 RSA签名机制对该 结果的签名。 8.根据权利要求7所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述步骤4具 体包括： 客户端将本地的客户证明 和测试反馈 一并提交给服 务器； 服务器验证参数并提供正确性反馈， 且所述服务器根据其附带提供的测试反馈 来给 予其合适的联盟币奖励， 对于可信高效的新 参数， 服务器会给予更多的联盟币奖励； 客户端将所述 新参数提交到链中心。 9.根据权利要求8所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述步骤5具 体包括： 当链中心有足够数量的客户新参数时， 所述服务器向链中心下载新参数并进行聚合， 更新全局模型参数； 服务器重新上传全局模型参数到链中心， 当参数的训练不满足终止条件时， 客户端继 续下载参数并完成本地训练更新 参数。 10.根据权利要求9所述的基于联盟链的可信联邦学习方法， 其特征在于， 所述方法还 包括： 所述服务器根据客户端联盟币的数量来选择优质客户端， 并聚合所述优质客户端的新 参数； 所述服务器定期通过查链上的数据库的散列值 来获取客户端联盟币的情况。权　利　要　求　书 2/2 页 3 CN 114844653 B 3