(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 (43)申请公布日 (21)申请 号 202111543907.9 (22)申请日 2021.12.16 (71)申请人 福建师范大学 地址 350000 福建省福州市闽侯县上街 镇 大学城福建师 范大学科技处 (72)发明人 范新民　妙秦阳　汪晓丁　张灵杰　 林晖　 (74)专利代理 机构 福州市博深专利事务所(普 通合伙) 35214 代理人 唐燕玲 (51)Int.Cl. G06F 21/62(2013.01) G06F 21/64(2013.01) G06Q 40/02(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于区块链和联邦学习的数据共享方 法 (57)摘要 本发明公开了一种基于区块链和联邦学习 的数据共享方法， 将相互信任的区块链节点组建 为一个团队， 接收请求任务后选择满足信用评级 要求的团队来响应请求任务； 接收数据共享任务 后使用满足信用评级要求的团队中的节点进行 验证模型的训练， 直至验证模型达到预设准确性 或者达到最大训练时间， 实现模 型共享来保护数 据提供者的隐私； 将模型训练过程打包到本地， 基于节点贡献的共识算法在区块链节点间达成 共识并对所述满足信用评级要求的团队进行信 用奖励因此数据共享过程中的每一个训练过程 都被记录， 以确保数据提供者提供高质量的数 据， 达成共识后进行信用奖励， 能够及时进行信 用评级的更新， 保证信用评级的可靠性， 缓解物 联网中数据的隐私保护问题。 权利要求书3页 说明书9页 附图3页 CN 114417398 A 2022.04.29 CN 114417398 A 1.一种基于区块链和联邦学习的数据共享方法， 其特 征在于， 包括 步骤： 将相互信任的区块链 节点组建为 一个团队； 接收请求任务， 选择满足信用评级 要求的团队响应所述请求任务； 接收数据共享任务， 使用所述满足信用评级要求的团队中的节点进行验证模型的训 练， 直至所述验证模型达 到预设准确性或者达 到最大训练时间； 将模型训练过程打包到本地， 基于节点贡献的共识算法在区块链节点间达成共识并对 所述满足信用评级 要求的团队进行信用奖励。 2.根据权利要求1所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 所 述将相互信任的区块链 节点组建为 一个团队之后包括： 在组建团队时提供 预设数额的抵押， 计算 不良行为节点的惩罚系数k： 式中， v表示节点完成协作任务的总工作轮数， p表示节点暂时退出的次数， q表示节点 懒惰的次数； 计算团队中节点的惩罚值： 式中， 为节点i的抵押； 计算团队中非不良行为节点的补偿值C1： 式中， N表示团队中的节点总数。 3.根据权利要求2所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 所 述将相互信任的区块链 节点组建为 一个团队之后还 包括： 设置所述团队中的领导节点或每 个成员节点的原 始信用为 零； 计算团队中的领导节点的奖励值： 式中， Credit表示任务发布者提供的信用奖励， Wk表示权重比率数据节点对全局模型的 贡献； 计算每个成员节点的奖励值： 计算每个节点的信用值C2： C2＝Cbase+Cobtain； 式中， Cbase表示节点的原 始信用累积值。 4.根据权利要求1所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 所 述数据共享任务包括任务请求 者的ID、 被请求的任务类别、 时间戳和任务级别。 5.根据权利要求1所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 所 述选择满足信用评级 要求的团队响应所述请求任务包括：权　利　要　求　书 1/3 页 2 CN 114417398 A 2根据连接 到所述请求任务的节点验证所述请求任务的标识； 根据所述标识判断所述请求任务是否已被处理， 若是， 则直接返回区块链中查询到的 处理结果， 否则， 在区块链上广播所述请求任务， 选择满足信用评级要求的团队响应所述请 求任务。 6.根据权利要求1所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 使 用所述满足信用评级要求的团队中的节点进 行验证模型的训练， 直至所述验证模型达到预 设准确性或者达 到最大训练时间包括： 使用所述满足信用评级要求的团队中的一节点在本地训练验证模型， 并对所述验证模 型的模型参数进行私钥签名； 将已签名的模型参数发送至所述满足信用评级要求的团队中的一未使用节点中， 并更 新所述一未使用节点的模型参数； 将已更新的模型参数发送至所述满足信用评级要求的团队中的另一未使用节点中， 直 至所述验证模型达 到预设准确性或者达 到最大训练时间。 7.根据权利要求1所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 使 用所述满足信用评级 要求的团队中的节点进行验证模型的训练还 包括： 根据随机算法和两个最多有一条不同记录的相邻数据集， 在去掉一行中的两个数据集 后， 计算随机算法得到相同结果的概 率： Pr[G(D)∈O ]≤exp( ε ) ·Pr[G(D′)∈O]； 式中， G表示随机算法， ε表示隐私预算， 通常是一个小常数， D表示数据集； 计算敏感度： Δf＝maxD， D′||G(D)‑G(G′)||； 根据敏感度计算应用于全局模型的拉普拉斯机制： G＝Gm+Lap(Δf/ ε )； 其中， Gm是训练的全局模型。 8.根据权利要求1所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 所 述将模型训练过程打包到 本地包括： 将数据请求 者与数据节点之间的所有共享记录均 作为共享事务； 通过事务记录节点将所述共享事务打包成块并保存至 本地。 9.根据权利要求1所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 所 述基于节点贡献的共识算法在区块链节点间达成共识并对所述满足信用评级要求的团队 进行信用奖励包括： 通过执行数据共享任务的节点执行共识过程， 每个节点通过工作贡献机制竞争将事务 记录写入块的机会； 具有权限的节点将对应的块广播给其他节点进行验证， 验证通过后将对应的块添加到 区块链中进行审计。 10.根据权利要求1所述的一种基于区块链和联邦学习的数据共享方法， 其特征在于， 所述基于节点贡献的共识算法包括 步骤： 根据余弦相似度计算每 个节点的贡献：权　利　要　求　书 2/3 页 3 CN 114417398 A 3