买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东华大学

摘要：本发明涉及一种基于学习行为的个性化区块链联邦学习方法，在联邦学习过程中利用各客户端的学习行为及学习知识进行监控和检验，为每个客户端提供个性化的学习结果。本发明对于联邦学习中所使用的训练算法没有限定和要求，可以支持对任意训练过程的防御。本发明利用客户端在本地训练模型时的行为及学习知识来构建学习过程模型，并结合学习过程监控机制，能够有效地降低低质量模型或者恶意模型的影响，而且在恶意客户端超过半数时，仍能有效保证安全性。同时在监控过程中，为每个客户端建立知识库，在联邦学习进程结束后，结合客户端的本地知识进行知识库检验，为每个客户端提供一个个性化的知识库以在后续进行安全的个性化的预测。

主权项：1.一种基于学习行为的个性化区块链联邦学习方法，其特征在于，包括以下步骤：S101：本地训练客户端从区块链的最新区块中下载最新的全局模型；随后，客户端基于自己的本地训练样本，利用下载的全局模型进行局部模型训练，其中，训练迭代的过程是不断寻求使得局部损失值最小的模型参数最优解，最后更新局部模型；S102：生成学习过程模型客户端在本地训练的过程中，生成学习行为步调和学习行为方向；在计算出学习行为步调和方向后，客户端对数据集中每个类别各抽取少量样本，并添加到本地知识集中；由客户端的学习行为步调、学习行为方向、客户端本地数据集组成的三元组，即为学习过程模型；S103：上传模型至记账节点参与客户端在本地训练完局部模型和生成学习过程模型后，将其一同上传至记账节点；S104：学习过程监控区块链中的记账节点不断收集参与客户端上传的学习过程模型，并对它们进行监控，计算学习过程一致性，将学习过程相一致的客户端提交的样本集加入到双方的知识库中，由于攻击客户端通常在行为上与正常客户端不一致，其学习的知识将难以加入到正常客户端的知识库中；利用各个客户端提交的知识集和局部模型对各个客户端的知识质量进行检验，为具有低质量知识以及行为与总体一致性弱的客户端提交的局部模型赋予更低的聚合权重，其中，每个客户端的学习质量应是由全局的客户端的学习过程共同决定的；S105：全局模型更新根据学习过程监控的结果，即每个客户端被赋予的聚合权重进行全局聚合，更新全局模型并上传至区块链；在整个联邦学习过程中，每轮全局迭代不断重复上述操作，直至全局模型达到收敛要求，在全局模型达到收敛后，利用每个客户端的本地知识集，对知识库进行检验，之后，每个客户端将得到一个个性化的知识库，用于后续的本地预测；S106：知识检验记账节点根据每个客户端的本地知识集对各客户端的知识库进行检验，保留知识一致性较高的知识，这里要进行的比较是模型倒数第二层全连接层中样本的输出结果，即模型从样本中提取的特征；在更新知识库之后，每个客户端将得到一个个性化的知识库，由于中毒样本与正常样本的特征间一致性较弱，即正常知识与攻击知识的一致性较弱，正常客户端中的知识库不会包含攻击知识，从而在随后的预测阶段，客户端可以将样本特征与知识库中的特征进行比较，以判断预测的样本相对本地的知识库是否为异常样本。

全文数据：

权利要求：

百度查询： 东华大学 一种基于学习行为的个性化区块链联邦学习方法