(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 202111552560.4 (22)申请日 2021.12.17 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 王玉乾　张卫山　陈雷鸣　董次浩　 (51)Int.Cl. G06F 16/27(2019.01) G06F 21/60(2013.01) G06F 16/23(2019.01) G06F 21/64(2013.01) G06N 20/00(2019.01) (54)发明名称 基于GAN和区块链的数据生成及 去中心化加 密联邦框架 (57)摘要 本发明针对工业实际生产中存在的数据类 型不平衡、 传统联邦学习框架中存在的缺陷， 提 出了一种基于GAN和区块链的数据生成及去中心 化加密联邦框架GAN ‑DGEFL(Generative   Adversarial  Networks ‑Decentralized  And  Gradient Encryption  Federate  Learning)。 由 于工业实际生产过程中设备出现故障的概率较 小， 因此产生的异常数据量也较少， 若直接使用 原始数据进行训练可能会出现模型过拟合及泛 化能力差的问题。 因此提出了基于生成对抗网络 对异常数据进行生成， 以解决数据不平衡的问 题。 同时传统联邦学习框架的融合节 点只有一个 且梯度在传输过程中容易受到攻击， 因此结合区 块链及信息加密的思想， 提出了去中心化及梯度 加密联邦框架以解决传统联邦学习框架中存在 的缺陷。 权利要求书1页 说明书3页 附图2页 CN 114238509 A 2022.03.25 CN 114238509 A 1.一种基于GAN和区块链的数据 生成及去中心化加密 联邦框架GAN ‑DGEFL， 使用生成对 抗网络对不平衡数据进行处理， 使得输入数据的正负样本趋于平衡， 避免训练出 的模型过 拟合及泛化能力差， 同时针对传统联邦学习框架中存在的中心节点宕机引起的整个系统训 练终止及对传输梯度进行攻击引起的隐私泄露问题， 基于区块链去中心化、 不可篡改的特 点和信息加密算法， 提出了去中心 化及梯度加密联邦框架。 该方法共包含以下六个模块： 数 据生成模块、 数据判别模块、 生成对抗模块、 加密传输模块、 区块链模块、 去中心 化联邦学习 模块。 2.根据权利要求1所述的GAN ‑DGEFL， 其特征在于， 所述的数据生成模块是指： 使用多层 感知机—生成器G对原 始输入数据进行假样本的生成， 使其尽量的服从真实数据的分布。 3.根据权利要求1所述的GAN ‑DGEFL， 其特征在于， 所述的数据判别 模块是指： 使用多层 感知机—判别器D来判断输入的数据是否为真实样本 。 4.根据权利要求1所述的GAN ‑DGEFL， 其特征在于， 所述的生成对抗模块是指： 判别器D 和生成器G相互对抗并迭代， 判别器D根据判别结果来提供反馈指导生成器 G训练， 不断提高 生成器的生成能力， 同时亦不断提高判别器的判别能力。 5.根据权利要求1所述的GAN ‑DGEFL， 其特征在于， 所述的加密传输模块是指： 利用非对 称加密算法RSA的公钥和私钥以及对称加密算法AES的秘钥采取相应步骤对任务节点和融 合节点之间的梯度参数传输进行加密， 来保证传输过程中梯度参数的安全性。 6.根据权利要求1所述的GAN ‑DGEFL， 其特征在于， 所述的区块链模块是指： 基于区块链 去中心自组织的特点在可信的融合节点中均存储了模型训练过程中每一轮迭代的所有任 务节点的梯度参数所构成的区块链， 基于区块链不可篡改的特点来保护梯度参数 的安全， 并通过智能合约来将更新后的梯度参数自动进行 下发。 7.根据权利要求1所述的GAN ‑DGEFL， 其特征在于， 所述的去中心化联邦学习模块是指： 区别于传统联邦学习框架中只能从特定的中心节点获得更新后的参数来对本地的梯度参 数进行更新的方式， 去中心化联邦学习 可以从m个可信的融合节点中的任一节点的区块链 中来获得需要的参数， 有效的防止了中心节点宕机或者遭受恶意攻击等一系列情况引起的 整个系统崩溃的问题。权　利　要　求　书 1/1 页 2 CN 114238509 A 2基于GAN和区块链的数据生成及去中心化加密联邦框架 技术领域 [0001]本发明涉及工业互联网领域、 数据生成领域、 联邦学习领域、 区块链领域、 信息加 密领域。 具体涉及到一种基于GAN和区块链的数据生成及去中心化加密联邦 框架。 背景技术 [0002]GAN‑DGEFL主要基于生成对抗、 联邦学习、 区块链和信息加密的思想， 通过生成对 抗思想来生成足够的异常(故障 )数据来解决数据不平衡 问题， 提高模型的泛化性。 同时基 于区块链智能合约、 不可篡改、 去中心自组织的特点， 将区块链的思想与联邦学习的思想相 结合， 并在梯度参数传输过程中集成信息加密算法， 以解决传统联邦学习框架中存在的中 心节点宕机引起的系统崩溃的缺陷 以及针对传输的梯度参数恶意攻击引起的隐私泄露问 题。 发明内容 [0003]为解决现有技术中的缺点和不足， 本发明提出了一种基于GAN和区块链的数据生 成及去中心化加密联邦 框架， 本发明的技 术方案为： [0004]一种基于GAN和区块链的数据生成及去中心化加密联邦框架， 包括以下部分： 生成 对抗网络、 梯度参数保护、 去中心化的联邦学习框架。 [0005](1)生成对抗网络是指 生成器G(多层感知 机)和判别器D(多层感知 机)两者之间动 态的对抗， 其训练过程分为2个步骤： [0006]①： 生成器G根据随机噪声z生成与真实异常数据最小相似的数据G(z) [0007]②： 逐步提高判别器D区分 真假样本的能力。 [0008]在模型训练过程中， G与D交替训练， 二者相互制约， 不断优化， 最终趋于稳定。 即G 最终能够生成与真实样本相似的 “假”样本， D无法分辨输入 是真实样本还是生成样 本。 该模 型中判别器和生成器的优化目标函数L如下： [0009] [0010]其中x～pdata(x)为x从真实样本分布采样， z～pz(z)为z从生成样本分布G(z)采样 且满足标准 正态分布， E(*)为期望值。 [0011](2)运用区块链中的智能合约机制， 来实现各个融合节点完成融合后更新梯度参 数的自动下发， 且每一个任务节点收到的参数都是 由距离自己最近的融合节点发送， 来降 低信息长距离传输带来的时间消耗； 同时在信息传输过程中(任务节点向融合节点梯度参 数的上传及融合节点 向任务节点梯度参数的下发)集成RSA和AES的加密方式， 有效的防止 对于传输梯度参数的恶意 攻击。 [0012](3)将区块链思想和联邦学习思想相结合， 把区块链不可篡改、 去中心自组织的特 点运用到联邦学习框架中， 提出了一种去中心化的联邦学习框架， 达到在联邦学习过程中 每一轮更新的梯度参数信息都保存在多个可信的区块链节点中的目的， 解决传统联邦学习 框架中存在缺陷的同时提高其鲁棒性， 使得该框架能够更加稳定的应用到实际生产开发说　明　书 1/3 页 3 CN 114238509 A 3