(19)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 202210599679.5 (22)申请日 2022.05.30 (71)申请人 南通大学 地址 226019 江苏省南 通市崇川区啬园路9 号 (72)发明人 马海英　黄双龙　郭嘉乐　曹东杰　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 张俊俊 (51)Int.Cl. H04L 9/32(2006.01) H04L 9/40(2022.01) H04L 67/1097(2022.01) H04L 67/1095(2022.01) H04L 67/104(2022.01)H04L 9/00(2022.01) G06N 20/00(2019.01) G06N 3/02(2006.01) (54)发明名称 一种基于区块链的联邦学习隐私保护方法 (57)摘要 本发明提供了一种基于区块链的联邦学习 隐私保护方法， 属于联邦学习、 隐私保护、 区块链 技术领域， 其技术方案为： 包括以下步骤： 全局初 始化， 系统管理员构建区块链并为该任务的所有 参与者分发安全参数； 参与者训练本地模型， 使 用安全参数和中国剩余定理加密模 型参数； 共识 机制选择的leader执行密文聚合； 参与者解密聚 合密文并更新本地模型； 模型拥有者获得最终模 型， 参与者调用激励合约获得奖励。 本发明的有 益效果为： 本发明利用区块链记录联邦学习过 程， 并实现安全参数分发和模型聚合， 使用中国 剩余定理和盲化技术保护隐私， 杜绝了聚合方和 部分参与者共 谋窃取其他参与者隐私的可能， 并 增强了联邦学习过程中的安全性。 权利要求书5页 说明书15页 附图6页 CN 115037477 A 2022.09.09 CN 115037477 A 1.一种基于区块链的联邦学习隐私保护方法， 其特 征在于， 包括以下步骤： S10、 系统全局初始化， 首先系 统管理员SM构建一个区块链， 参与者和模型拥有者在该 区块链上注册， 获得自己的账号和一对公私钥， 模 型拥有者M O发布一个联邦学习任务， 满足 该任务要求的参与者参与该任务； 当参与该任务的人数满足任务需求后， 模型拥有者确定 参与者列表List； 系统管理员根据参与者列表List生成该联邦学习任务的安全参数SP， 并 通过秘密信道将S P发送给参与者列表L ist的所有成员； S20、 模型训练和加密， List中的参与者下载初始模型和安全参数， 使用本地数据集训 练模型， 得到本地模型参数， 然后对本地模型参数编码、 盲化和加密， 上传本地模型参数密 文cti(r)到分布式文件系统IPFS， 最后根据IPFS中的地址生成一个本轮次模型训练的交易； List中的参与者发送交易时， 将会调用一个检测时间的函数， 检测交易上传时间是否在本 轮次的截止时间之前， 当List中的所有参与者都在截止时间之前完成密文上传之后， 才进 入密文聚合阶段； S30、 模型参数密文聚合， Algorand共识协议利用可验证随机函数， 选择一部分worker 组成一个委员会， 并从这个委员会中选择一个leader， 委员会的所有成员验证所有参与者 的交易合法性， 验证通过后， leader进行聚合： 对密文{cti(r)|i＝1,2,···,N}执行加法 运算得到本轮次的聚合密文Cr， leader聚合完成后， 把聚合密文Cr存储在IPFS， 生成一个包 含其地址的交易， 并打包到一个新的区块blockr， 委员会成员验证聚合密文Cr的正确性， 当 超过2/3成员同意区块bl ockr， 委员会就区块bl ockr达成共识， 并把bl ockr广播到区块链； S40、 参与者更新本地模型， List中的参与者从区块blockr查询交易获得聚合密文Cr在 IPFS中的地址， 下载密文 Cr， 对密文Cr解密、 反映射和解码后获得真实聚合模型参 数， 随后完 成本地模 型参数的更新， 接下来， 参与者进 行下一轮的模型训练和加密步骤， 重复执行步骤 S20、 步骤S3 0和步骤S40， 直到模型的准确率满足模型 所有者的需求， 进入步骤S5 0阶段； S50、 模型拥有者获得最终模型参数， 在一定轮次以后， List中的每个参与者测试模型 的准确率是否满足MO 的要求， List 中的参与者满足MO 的模型训练需求后， 上传一个完成交 易， 当所有参与者 都上传了完成交易， S M将最后一轮的聚合密 文解密后， 通过秘密信道发送 给MO， MO得到最终模型参数， 然后测试模型准确率， 满足要求后该任务结束， List 中的参与 者调用激励合约计算并获得相应的奖励； 否则List中的所有参与者继续下一轮的模型训 练， 直到所有参与者都符合给定的终止条件； 其中， 所述基于区块链的联邦学习隐私保护方法包括区块链、 系统管理员、 模型拥有 者、 参与者以及IPFS五个实体； IPFS是一种点对点的分布式文件存储系统， 它使分布式计算 设备能够连接 到同一个文件系统， 并使用哈希值定位文件位置 。 2.根据权利要求1所述的基于区块链的联邦学习隐私保护方法， 其特征在于， 所述步骤 S10包括以下步骤： S101、 系统管理员SM构建一个区块链， 确定采用的共识协议为Algorand， 参与者和模型 拥有者MO可以注册到该区块链， 并拥有一个账号， 一对公私钥{pk， sk}， 一个钱包地址wa， 一 个唯一的身份id和存款， 它们使用自己的钱包地址生 成一个交易， 所有参与者、 M O和worker 需要将一部分存款锁定在区块链上作为押金， 并在区块链上创建一个区块， 包含记录他们 存款所有权声明的交易， 此外， 公私钥对在发送方和接收方之间创建秘密信道； S102、 模型拥有者采用发布资产声明交易的方 式发布联邦学习(Federated  Learning，权　利　要　求　书 1/5 页 2 CN 115037477 A 2FL)任务， 该任务包含： 初始模型参数W0， 模型编号mid， 学习率η， 每轮训练时间t， 模型准确 率要求θ， 参与者 人数需求N， 假设一个模型拥有者MOj发布一个资产声明交易： TXMOj＝{midj, tj,H(W0(j)), σ(skj,H(W0(j))),Nj, ηj, θj,“Keywords ”}， 其中H(W0(j))是初始模型参数存储在 IPFS中的哈希地址， skj是MOj的私钥， σ(skj,H(W0(j))是用来证明确实具有模型的签名， “Keywords ”表示该FL任务的模型描述； 为了便于记号和描述， 去掉{midj,tj,Nj, ηj, θj}的下 标j， 后续仅对一个有代 表性的MOj进行叙述； S103、 参与者采用发布数据资产声明交易的方式自愿加入FL任 务， 假设一个参与者Pi发 布一个数据资产声明交易， 加入MOj的FL任务： TXDi＝{sid,H(Di), σ(ski,H(Di)),H(TXMOj), “Keywords ”}， 其中sid是参与者Pi的数据集Di编号， ski是参与者Pi的私钥， H(Di)是数据集Di 的哈希值， σ(ski,H(Di))是用来证明参与者Pi确实拥有数据集Di的签名， H(TXMOj)表示参与 者Pi加入了MOj的FL任务， 它是交易TXMOj的哈希值； S104、 模型拥有 者MOj在区块链检索参与者的数量， 当有 N个或更多的参与者加入FL任 务 时， MOj查询所有的交易， 并选择N个参与者， 生成由N个参与者的钱包地址和公钥组成的列 表List， 然后上传一个雇佣交易到区块链： TXemploy＝{List,H(TXMOj),H(List), σ(skj,H (List)),“Keywords”}； S105、 系统管理员SM根据MOj的交易TXMOj得到FL任务的信息： 初始模型参数W0， 模型编号 mid， 学习率η， 每轮训练时间t， 假设该时间足够长， 所有参与者都在该时间内完成模型训 练， 模型准确率要求θ， 参与者人数需求N， 选择一个可根据参与者需要设置的复杂度参数m (m≥3)、 一个控制计算精度的正整数l和一个训练开始时间t0， 然后生成m+1个两两互质gcd (pi,pj)＝1,(i≠j)的正素 数p0,p1,p2,···,pm； S106、 系统管理员SM随机的生成一个N ×N的正整数种子矩阵M， 并为参与者Pi(i＝1, 2,···,N)分配两个种子向量{Mi(j,0)|j＝1,2,···,N}、 {Mj(i,0)|j＝1,2,···,N}， 它 们分别表示矩阵M的第i行和第i列， 然后选择一个伪随机数生成器(Pseudo ‑random  Generator， PRG( ·))， PRG(·)满足PRG( ·+*)＝(PRG( ·)+PRG(*) )(mod p0)； S107、 系统管理员SM根据MOj的交易TXemploy读取参与者列表List得到N个参与者的钱包 地址和公钥{Pi.wa,Pi.pk|i＝1,2, ···,N}； 然后， SM将这些安全参数{m,l,p0,p1, p2,···,pm}和两个种子向量以及 PRG(·)通过他们的秘密信道发送给N个参与者， 并记录 在区块链上； SM给第i个参与者发送： (1)SM使用参与者Pi的公钥Pi.pk加密{m,l,p0,p1,p2,···,pm,{Mi(j,0)|j＝1, 2,···,N},{Mj