一种基于DAG区块链的联邦学习方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113919507A(43)申请公布日2022.01.11(21)申请号202111186244.X(22)申请日2021.10.12(71)申请人重庆邮电大学地址400065重庆市南岸区黄桷垭崇文路2号(72)发明人黄晓舸任洋何勇陈前斌(74)专利代理机构北京同恒源知识产权代理有限公司11275代理人廖曦(51)Int.Cl.G06N20/00(2019.01)G06F16/27(2019.01)权利要求书1页说明书10页附图3页(54)发明名称一种基于DAG区块链的联邦学习方法(57)摘要本发明涉及一种基于DAG区块链的联邦学习方法，属于移动通信技术领域。首先，在备选设备集中选择在滑动窗口w内信誉值较高的设备参与局部训练。其次，在被选中的设备进行本地训练过程中进行基于本地DAG区块链局部模型的聚合。最后主雾节点收集训练的局部模型，并采用基于隔离森林的快速检测算法初步检测出潜在恶意模型。再由主雾节点利用任务发布者的测试数据集，测试潜在恶意模型的精度，如果其精度与当前全局模型精度差大于β，该模型被确认为恶意模型，否则为正常模型；最后，得到新的全局模型。当完成目标模型训练结束后，任务发布者从主区块链获取目标模型，以及相关物联网设备局部模型的属性记录，由主雾节点进行物联网设备信誉值更新。CN113919507ACN113919507A权利要求书1/1页1.一种基于有向无环图DAG区块链的联邦学习方法，其特征在于：该方法包括以下步骤：S1：在雾网络中进行联邦学习训练设备选择；S2：基于有向无环图区块链的局部模型训练和聚合；S3：进行基于孤立森林的快速双重恶意模型检测算法；S4：基于主观评价的信誉计算。2.根据权利要求1所述的一种基于DAG区块链的联邦学习方法，其特征在于：在所述S1中，主雾节点在满足训练要求的设备中选出通信能力ξm和计算能力τm较强的设备，形成备选设备集，然后在备选设备集中选择在滑动窗口w内信誉值较高的设备参与局部训练任务。3.根据权利要求2所述的一种基于DAG区块链的联邦学习方法，其特征在于：在所述S2中，参与局部训练的设备获得最新的全局模型后，进行局部训练和聚合。设备在其本地DAG上随机选择一些没有被验证的交易进行验证，并选择其中有高精度的局部模型来进行局部聚合。随后，设备使用本地数据集训练新的局部模型。最后，发布包含新训练的局部模型的区块。在本全局模型的局部训练过程中，采用随机梯度下降SGD算法更新局部模型，并通过联邦平均算法获得局部聚合模型。4.根据权利要求3所述的一种基于DAG区块链的联邦学习方法，其特征在于：在所述S3中，主雾节点收集要聚合的局部模型，并采用基于隔离森林的快速检测算法初步检测出潜在恶意模型。最后，主雾节点利用任务发布者的测试数据集，测试潜在恶意模型的精度，如果其精度与当前全局模型精度差大于β，该模型被确认为恶意模型，否则为正常模型；最后，选择出正常模型后进行全局聚合,得到新的全局模型。5.根据权利要求4所述的一种基于DAG区块链的联邦学习方法，其特征在于：在所述S4中，任务发布者从主区块链获取需要的目标模型，以及参与局部训练的设备在训练过程中局部模型的属性记录，属性记录为是否为恶意模型，并计算相应设备的信誉值，反馈给所属雾节点，再转发给主雾节点，进行物联网设备信誉值更新。2CN113919507A说明书1/10页一种基于DAG区块链的联邦学习方法技术领域[0001]本发明属于移动通信技术领域，涉及一种基于DAG区块链的联邦学习方法。背景技术[0002]随着物联网(IoT)的飞速发展，各种移动设备都需要接入互联网，这给计算能力和数据资源有限的移动设备带来了严重挑战。为了有效地克服这些挑战，并很好地支持具有服务质量要求的计算密集型和延迟敏感型应用程序，雾计算(FogComputing)，一种类似于移动边缘计算(MEC)的新范式，已被提出作为一种有希望的解决方案，可以将计算、通信以及存储等资源分布到靠近用户的设备上，从而实现将云计算拓展到网络边缘。由于雾计算具有相对较强的计算能力，因此系统在任务处理延迟方面的性能可以大大提高。但也面临用户隐私、数据安全等诸多挑战。联邦学习作为时下热点人工智能技术，可以解决隐私数据以及“数据孤岛”问题，将联邦学习应用在边缘计算领域能够有效地处理隐私数据等难题。联邦学习可以使参与者在不泄露自身隐私的情况下转移和交流模型参数，以使用参与者的数据建立机器学习模型。[0003]虽然联邦学习被广泛认为是增强IoT网络隐私和安全性的可行方法，但在部署过程中仍面临许多挑战。主要的两点如下：首先，在联邦学习中，设备的差异性，不同的设备在计算、通信、缓存、电池电量、数据和训练时间方面具有不同的联邦学习资源