【技術實現步驟摘要】
本專利技術屬于聯邦學習，尤其涉及一種面向算力網絡的去中心化聯邦學習方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、隨著信息技術的快速發展，海量數據和復雜計算任務的需求日益增長，傳統的集中式計算模式面臨諸多挑戰，如計算資源瓶頸、數據隱私保護不足、以及數據傳輸的高延遲和高成本，這些挑戰促使了新型計算架構的出現。算力網絡作為一種去中心化的計算模式，通過多個節點的協同工作，實現資源的共享與高效利用。這種架構不僅提高了計算能力，還增強了系統的彈性和安全性。然而，隨著數據隱私和安全問題的日益凸顯，傳統的數據集中處理方式已不再適用。
3、在此背景下，聯邦學習應運而生。這是一種創新的分布式機器學習方法，允許多個參與方在不共享數據的前提下協同訓練全局模型。每個參與方在本地數據上進行訓練，僅將模型參數發送到中央服務器或其他參與方進行聚合。這種分布式的機器學習方法與算力網絡相輔相成，充分利用了各方的計算資源和數據優勢。雖然這種方法在保護數據隱私方面具有顯著優勢，但由于各參與方的數據量和質量、計算能力存在較大差異，聯邦學習的效果可能不盡理想。在這種情況下，算力網絡的不均衡性進一步放大了聯邦學習中的數據不公平性。
4、數據公平性是聯邦學習中的一個核心問題。在算力網絡環境中，節點的數據種類繁多、數量不一，且質量參差不齊，導致數據異質性問題非常突出。低質量或少量數據的參與方可能對全局模型的貢獻較小，甚至被忽視，導致模型產生偏見。反之，數據質量較高的參與方可能對模
5、另外，由于算力網絡中的節點數量多、分布廣，節點的穩定性和可信度差異明顯。現有的節點選擇機制往往依賴于簡單的規則或歷史貢獻，對節點的實時質量、信譽度和數據有效性缺乏綜合評估。這樣一來，系統可能會選擇一些不適合的節點，導致模型訓練過程中的數據質量難以保障。由于沒有有效的信譽機制，部分節點可能存在惡意行為，如提供低質量數據或不準確的計算結果，進而影響全局模型的準確性和穩定性。區塊鏈技術的引入為其提供了新的可能性，利用區塊鏈的透明性和不可篡改性記錄各參與方的歷史貢獻、數據質量和行為規范等，能夠顯著提升節點選擇機制的可靠性和動態適應性。
6、最后，區塊鏈還可以用來構建去中心化的激勵機制。但是現有的激勵機制往往只考慮節點的計算資源或參與次數，而忽視了數據的質量和新舊程度。這樣的分配方式容易導致低質量節點獲得不公平的激勵，挫傷高質量數據提供者的積極性。研究表明，很多現有激勵機制缺乏長遠考慮，導致節點短期參與后難以維持長久貢獻，進而影響了系統的穩定性和持續性。
7、因此，現有技術在算力網絡與聯邦學習結合應用中仍存在以下問題：(1)數據異質性處理能力有限，導致模型訓練效果不佳；(2)激勵機制設計不合理，影響節點的長期參與積極性；(3)節點選擇機制缺乏可靠性和動態適應性，影響模型訓練的穩定性和數據質量。
技術實現思路
1、為了解決現有技術的不足，本專利技術提供了一種面向算力網絡的去中心化聯邦學習方法、系統、電子設備、計算機可讀存儲介質和計算機程序產品，本專利技術實現了保證聯邦學習模型可用性和節點訓練積極性的同時提高模型的泛用性和數據的公平性。
2、為實現上述目的，本專利技術的一個或多個實施例提供了如下技術方案：
3、第一方面，本專利技術提供了一種面向算力網絡的去中心化聯邦學習方法，包括：
4、算力網絡中的算力節點在區塊鏈網絡上進行節點注冊之后，算力網絡中的模型需求方將聯邦學習任務上傳到區塊鏈網絡上進行廣播，其他算力節點對區塊鏈網絡廣播的聯邦學習任務進行響應；根據已響應算力節點的信譽分和數據分對其進行篩選，將篩選出的算力節點作為計算節點；
5、模型需求方發送的初始模型經由計算節點在本地訓練后，將訓練后的本地模型上傳至區塊鏈網絡進行驗證，區塊鏈網絡將驗證通過的本地模型發送給模型需求方；
6、模型需求方使用基于數據公平性的加權聚合算法，對當前輪接收到的本地模型進行聚合并利用聚合結果更新全局模型；若更新后的全局模型符合聯邦學習任務的需求，則將全局模型存入區塊鏈中，并根據動態多維激勵機制對計算節點分發報酬；反之則將更新后的全局模型作為計算節點下一輪訓練的初始模型進行迭代訓練。
7、第二方面，本專利技術提供了一種面向算力網絡的去中心化聯邦學習系統，包括：
8、節點注冊以及聯邦學習任務響應模塊，被配置為：算力網絡中的算力節點在區塊鏈網絡上進行節點注冊之后，算力網絡中的模型需求方將聯邦學習任務上傳到區塊鏈網絡上進行廣播，其他算力節點對區塊鏈網絡廣播的聯邦學習任務進行響應；根據已響應算力節點的信譽分和數據分對其進行篩選，將篩選出的算力節點作為計算節點；
9、本地模型訓練模塊，被配置為：模型需求方發送的初始模型經由計算節點在本地訓練后，將訓練后的本地模型上傳至區塊鏈網絡進行驗證，區塊鏈網絡將驗證通過的本地模型發送給模型需求方；
10、全局模型更新模塊，被配置為：模型需求方使用基于數據公平性的加權聚合算法，對當前輪接收到的本地模型進行聚合并利用聚合結果更新全局模型；若更新后的全局模型符合聯邦學習任務的需求，則將全局模型存入區塊鏈中，并根據動態多維激勵機制對計算節點分發報酬；反之則將更新后的全局模型作為計算節點下一輪訓練的初始模型進行迭代訓練。
11、第三方面，本專利技術提供了一種電子設備；
12、一種電子設備，包括存儲器、處理器及存儲在存儲器上的計算機程序，所述處理器執行所述計算機程序以實現上述一種面向算力網絡的去中心化聯邦學習方法的步驟。
13、第四方面，本專利技術提供了一種計算機可讀存儲介質；
14、一種計算機可讀存儲介質，其上存儲有計算機程序/指令，該計算機程序/指令被處理器執行時實現上述一種面向算力網絡的去中心化聯邦學習方法的步驟。
15、第五方面，本專利技術提供了一種計算機程序產品；
16、一種計算機程序產品，包括計算機程序/指令，該計算機程序/指令被處理器執行時實現上述一種面向算力網絡的去中心化聯邦學習方法的步驟。
17、以上一個或多個技術方案存在以下有益效果：
18、(1)本專利技術在算力網絡背景下將區塊鏈與聯邦學習相結合，為聯邦學習提供了一個透明且可信的環境。在算力網絡中，節點數據的多樣性和冗雜性可能導致數據處理的復雜性上升。通過區塊鏈的去中心化共識機制和不可篡改的分布式賬本，各節點的數據貢獻和模型參數更新過程本文檔來自技高網...
【技術保護點】
1.一種面向算力網絡的去中心化聯邦學習方法，其特征在于，包括：
2.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，在進行節點注冊之前，還包括：在區塊鏈網絡上部署多種智能合約，通過調用智能合約執行相應的任務；
3.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，所述模型需求方為算力網絡中的任意一個已在區塊鏈網絡上注冊的算力節點。
4.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，所述將訓練后的本地模型上傳至區塊鏈網絡進行驗證，包括：
5.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，所述基于數據公平性的加權聚合算法，包括：根據計算節點的信譽分和數據分計算聚合權重。
6.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，所述根據動態多維激勵機制對計算節點分發獎勵，包括：根據余弦相似度、數據集的新舊程度以及數據量的大小進行獎勵分配。
7.一種面向算力網絡的去中心化聯邦學習系統，其特征在于，包括：
...【技術特征摘要】
1.一種面向算力網絡的去中心化聯邦學習方法，其特征在于，包括：
2.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，在進行節點注冊之前，還包括：在區塊鏈網絡上部署多種智能合約，通過調用智能合約執行相應的任務；
3.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，所述模型需求方為算力網絡中的任意一個已在區塊鏈網絡上注冊的算力節點。
4.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，所述將訓練后的本地模型上傳至區塊鏈網絡進行驗證，包括：
5.如權利要求1所述的一種面向算力網絡的去中心化聯邦學習方法，其特征在于，所述基于數據公平性的加權聚合算法，包括：根據計算節點的信譽分和數據分計算聚合權重。
6.如權利要求1所述的一種面向算力網絡的去中心化聯邦...
【專利技術屬性】
技術研發人員：王連海，李琪，徐淑獎，張淑慧，
申請(專利權)人：山東省計算中心國家超級計算濟南中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。