(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 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 1 1275 代理人 廖曦 (51)Int.Cl. G06N 20/00(2019.01) G06F 16/27(2019.01) (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。 权利要求书1页 说明书10页 附图3页 CN 113919507 A 2022.01.11 CN 113919507 A 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。权　利　要　求　书 1/1 页 2 CN 113919507 A 2一种基于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。 其次， 联邦学 习模型的异常检测， 在联邦学习过程中恶意的参与者可能通过发起中毒攻击提供恶意的局 部模型， 这将危及全局模型的收敛性和准确性。 发明内容 [0004]有鉴于此， 本发明的目的在于提供一种基于DAG区块链的联邦学习方法。 [0005]为达到上述目的， 本发明提供如下技 术方案： [0006]一种基于DAG区块链的联邦学习方法， 该 方法包括以下步骤： [0007]S1： 在雾网络中联邦学习训练设备选择 方案； [0008]S2： 基于有向无环图区块链的局部模型训练和聚合方案； [0009]S3： 基于孤立森林的快速双重恶意模型检测算法； [0010]S4： 基于主观评价的信誉计算方案； [0011]在步骤S1中， 主雾节点在备选设备中选出通信能力 ξm和计算能力 τm较强设备， 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。 [0012]在步骤S2中， 参与局部训练的设备从所属雾节点下载全局模型， 进行训练和局部 聚合。 该设备在其本地DAG上随机选择一些没有被验证的交易(tips)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， 设备发布包含新训练的局部模型的区块。 在本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(F edAVG)算法获得局部聚合模型。说　明　书 1/10 页 3 CN 113919507 A 3