开云优惠体育网页版入口

专利名称：一种去中心化AI训练与交易平台及方法

专利类型：发明专利

专利申请号：CN202311359009.7

专利申请（专利权）人：华中开云优惠体育网页版入口大学
权利人地址：湖北省武汉市洪山区珞喻路1037号

专利发明（设计）人：高雅玙,胡澳宇,刘泊,卢昊骋,肖泳,张成伟

专利摘要：本发明属于人工智能技术领域，公开了一种基于区块链与联邦学习的去中心化AI训练与交易平台及方法，包括：AI训练层，用于边缘设备/终端从区块链侧或许最新的全局模型参数，并利用本地数据独立地执行联邦学习的训练任务，将训练好的本地模型参数提交至区块链层，训练节点需经过证书授权机构进行身份验证后方可加入联邦学习训练；区块链层，联邦学习训练节点从区块链上获取新的综合全局模型利用本地数据开始训练；训练结束后，联邦学习训练节点提交本地模型至区块链，智能合约实时监测上传至区块链中本地模型的数量，若到达第一阈值，触发新一轮聚合操作；交易层，用于将最终生成的全局模型将被加入到AI模型池中供任意用户进行交易。

主权利要求：
1.一种基于区块链与联邦学习的去中心化AI训练与交易方法，其特征在于，利用区块链技术与联邦学习算法，构建了一个去中心化的AI训练与交易平台；此平台通过智能合约自动化AI模型的训练与交易过程，实现了训练节点的身份验证、AI模型的全局聚合与更新，以及AI模型的购买与所有权转让功能；同时，该平台进行持续的维护和迭代，以适应变化的用户需求和技术发展；
包括：
1)初始化平台：
a.选择合适的区块链平台；
b.设计和部署智能合约，实现模型训练和交易过程的自动化；
c.设立证书授权机构，用于对训练节点进行身份验证；
d.初始化AI模型池，并设定用于AI模型交易的交易层；
2)联邦学习训练过程：
a.训练节点通过CA进行身份验证并获得相应的证书；
b.训练节点从区块链侧获取最新的全局模型参数；
c.训练节点利用本地数据执行联邦学习的训练任务；
d.将训练好的本地模型参数提交至区块链层；
3)全局模型聚合与更新：
a.在新一轮的聚合操作中，所有的本地模型将被聚合以形成一个新的全局模型；
b.新的全局模型将通过智能合约被上传至区块链，并被加入到AI模型池中；
4)AI模型交易：
a.任意用户可以在AI模型池中选择并购买合适的AI模型；
b.购买的模型将被打上标签，以表明其所有权和使用权；
c.对于模型的二次使用或转让，需要通过智能合约进行操作，确保所有权的转移和费用的支付；
5)安全与性能优化：
a.针对区块链平台的安全性要求，进行相应的安全设计和优化；
b.通过不断优化智能合约和相关算法，提高平台的性能和效率；
6)平台维护与持续迭代：
a.对平台进行持续的维护和升级，以满足不断变化的用户需求和技术发展；
b.根据实际应用场景和反。云教ń械透慕，以提升用户体验和性能；
聚合操作包括：
S101对于本轮所有本地模型进行平均运算，得到平均模型；分别评估每个本地模型与平均模型的偏离度；
S102若本地模型的偏离度小于第二阈值，则将其认定为正常模型，否则，将其认定为恶意模型；
S103根据偏离度大。持嫡ＤＰ吞峤唤诘愕墓毕锥，两者呈反比关系；扣除恶意模型提交联邦学习训练节点的贡献度，两者成正比关系；
S104对所有正常模型进行聚合，即将所有正常模型进行平均运算，得到全局模型；
S105将本轮全局模型和联邦学习训练节点的贡献度上传至区块链中；
本地模型与平均模型的偏离度通过以下方式评估：
表示第t轮两个模型的相似度， 表示第t轮平均模型的权重， 表示第t轮第k个本地模型的权重， 表示第t轮本地模型与第t轮平均模型的闵氏距离；若片内区块链网络中至少50％的节点是诚实的，第二阈值取值为s_mid+Aσ；其中s_mid是偏离度集合的中位数，σ是偏离度集合分布的标准差，A是可调节的常系数；当节点的累计贡献度低于第三阈值，智能合约行使访问控制作用，使该节点失去参与所有系统事务资格。
2.如权利要求1所述的基于区块链与联邦学习的去中心化AI训练与交易方法，其特征在于，针对模型质量评估的代币激励机制，包括：联邦学习依据个体法、留一法、夏普利值、最小核等方法可对参与训练方进行贡献度的评估；区块链根据联邦学习完成的贡献度评估，按贡献度的大小奖惩代币。
3.如权利要求1所述的基于区块链与联邦学习的去中心化AI训练与交易方法，其特征在于，基于区块链与联邦学习的去中心化AI训练与交易方法运行流程包括：S201，分布式AI训练层中的边缘设备进行基于区块链的可信联邦学习；
S202，区块链根据参与联邦学习任务的边缘设备提交的模型，依据智能合约中的激励机制进行贡献评估和代币发放，参与联邦学习训练的用户可以获得相应的代币作为激励；
S203，区块链节点和边缘设备均需通过向证书授权机构进行身份认证后加入训练；
S204，区块链上的全局模型组成一个庞大共享的AI模型池，其中包含智能安防、智能电网、医学图像处理、自然语言处理等AI模型，购买者可以使用代币进行AI模型的交易；代币可以用来购买平台训练好的AI模型，也可以对外出售。
4.如权利要求1所述的基于区块链与联邦学习的去中心化AI训练与交易方法，其特征在于，所述基于区块链与联邦学习的去中心化AI训练与交易方法还包括：S1，任务发布者发布训练任务，所述训练任务包括：智能安防、智能电网、医学图像处理、自然语言处理，并提供测试集和未经训练的机器学习模型，该模型作为初始全局模型；
S2，区块链网络中的节点，下载未经训练的机器学习模型，并将训练用的模型进行参数初始化；
S3，联邦学习训练节点在最新的综合全局模型基础上利用本地的用户数据集训练模型，训练完成后得到本地模型；参与方发起上链的提案请求，将训练好的本地模型参数上传到区块链上；
S4，当区块链中本地模型数量符合聚合条件时，智能合约提交聚合模型参数的请求，生成新的全局模型并用测试集测试其精度；
S5，最终生成的全局模型将被加入到AI模型池中共任意用户进行交易。
5.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1?4任意一项所述的基于区块链与联邦学习的去中心化AI训练与交易方法的步骤。
6.一种信息数据处理终端，信息数据处理终端用于实现如权利要求1～4任意一项所述的基于区块链与联邦学习的去中心化AI训练与交易方法。
7.一种应用权利要求1?4任意一项所述的基于区块链与联邦学习的去中心化AI训练与交易方法的基于区块链与联邦学习的去中心化AI训练与交易平台，其特征在于，包括：AI训练层，用于边缘设备/终端从区块链侧或许最新的全局模型参数，并利用本地数据独立地执行联邦学习的训练任务，将训练好的本地模型参数提交至区块链层，训练节点需经过证书授权机构进行身份验证后方可加入联邦学习训练；
区块链层，联邦学习训练节点从区块链上获取新的综合全局模型利用本地数据开始训练；训练结束后，联邦学习训练节点提交本地模型至区块链，智能合约实时监测上传至区块链中本地模型的数量，若到达第一阈值，触发新一轮聚合操作；
交易层，用于将最终生成的全局模型将被加入到AI模型池中供任意用户进行交易。 说明书 : 一种去中心化AI训练与交易平台及方法技术领域[0001] 本发明属于人工智能技术领域，尤其涉及一种基于区块链与联邦学习的去中心化AI训练与交易平台。背景技术[0002] 联邦学习能够在不共享原始数据的情况下进行协作模型学习，并日益吸引开云优惠体育网页版入口巨头和需要隐私保护的行业的关注。虽然联邦学习能够解决数据拥有者之间的数据隐私问题，但由于数据间的频繁交互以及中央服务器的暴露性，其抗攻击能力面临极大的挑战。区块链技术中的分布式存储带来的不可篡改性以及权限管理访问控制技术能够很好地解决数据可靠性传输以及抵抗恶意攻击的问题。因此，区块链技术被广泛提出应用在联邦学习中解决安全性问题。经过调研，有很多项目已经将区块链和联邦学习的融合技术应用于实际场景中。(1)在物联网和边缘计算网络中应用区块链和联邦学习以保证网络高效安全，(2)介绍了一种基于区块链和联邦学习的茶叶种类鉴别平台，(3)提出了一个基于区块链的快时尚供应链联邦共享平台。[0003] 通过上述分析，现有技术存在的问题及缺陷为：[0004] 1.引入去中心化的可信边缘智能：人工智能模型聚合过程中很容易受到恶意攻击，从而导致模型质量的下降，通过区块链来完成去中心化并在模型聚合阶段通过对贡献度的判断剔出恶意节点，从而确保大多数的边缘智能是可信的。[0005] 2.针对模型质量评估的代币激励：现有技术是通过测试集评估本地模型的精度来计算参与方的贡献度，该评估方式需要花费大量的时间或计算，我们需要完善的基于区块链侧的贡献评估和激励机制。[0006] 3.实现一个基于AI能力交易的平台：目前联邦学习侧的模型较为单一，可实用性不强，现有大多数专利和研究都侧重在某一方面的应用，并没有广泛的联邦学习模型池，不支持多种交易的进行。一个较为完善的拥有庞大AI模型池的交易平台亟待提出。发明内容[0007] 为了解决数据隐私安全问题及对抗恶意的攻击，并实现模型的交易与共享，本发明提供的了一种基于区块链与联邦学习的去中心化AI训练与交易平台，平台可以提供一个可使用代币交易的庞大的AI模型池，支持不同规模多种人工智能模型的联邦学习训练。区块链节点和分布式边缘设备均可以在通过身份认证后自由申请加入模型训练，并根据贡献度获得相应代币奖励，代币可以用来购买平台训练好的AI模型，也可以对外出售。[0008] 本发明是这样实现的，一种基于区块链与联邦学习的去中心化AI训练与交易方法，包括：[0009] 1)初始化平台：[0010] a.选择合适的区块链平台；[0011] b.设计和部署智能合约，实现模型训练和交易过程的自动化；[0012] c.设立证书授权机构，用于对训练节点进行身份验证；[0013] d.初始化AI模型池，并设定用于AI模型交易的交易层；[0014] 2)联邦学习训练过程：[0015] a.训练节点通过CA进行身份验证并获得相应的证书；[0016] b.训练节点从区块链侧获取最新的全局模型参数；[0017] c.训练节点利用本地数据执行联邦学习的训练任务；[0018] d.将训练好的本地模型参数提交至区块链层；[0019] 3)全局模型聚合与更新：[0020] a.在新一轮的聚合操作中，所有的本地模型将被聚合以形成一个新的全局模型；[0021] b.新的全局模型将通过智能合约被上传至区块链，并被加入到AI模型池中；[0022] 4)AI模型交易：[0023] a.任意用户可以在AI模型池中选择并购买合适的AI模型；[0024] b.购买的模型将被打上标签，以表明其所有权和使用权；[0025] c.对于模型的二次使用或转让，需要通过智能合约进行操作，确保所有权的转移和费用的支付；[0026] 5)安全与性能优化：[0027] a.针对区块链平台的安全性要求，进行相应的安全设计和优化；[0028] b.通过不断优化智能合约和相关算法，提高平台的性能和效率；[0029] 6.平台维护与持续迭代：[0030] a.对平台进行持续的维护和升级，以满足不断变化的用户需求和技术发展；[0031] b.根据实际应用场景和反。云教ń械透慕，以提升用户体验和性能。[0032] 进一步，聚合操作包括：[0033] S101对于本轮所有本地模型进行平均运算，得到平均模型。分别评估每个本地模型与平均模型的偏离度；[0034] S102若本地模型的偏离度小于第二阈值，则将其认定为正常模型，否则，将其认定为恶意模型；[0035] S103根据偏离度大。持嫡ＤＰ吞峤唤诘愕墓毕锥，两者呈反比关系；扣除恶意模型提交联邦学习训练节点的贡献度，两者成正比关系。[0036] S104对所有正常模型进行聚合，即将所有正常模型进行平均运算，得到全局模型；[0037] S105将本轮全局模型和联邦学习训练节点的贡献度上传至区块链中。[0038] 进一步，本地模型与平均模型的偏离度通过以下方式评估：[0039][0040] 其中，t表示轮数，k表示本地模型的数量， 表示第t轮两个模型的相似度， 表示第t轮平均模型的权重， 表示第t轮第k个本地模型的权重， 表示第t轮本地模型与第t轮平均模型的闵氏距离。[0041] 若片内区块链网络中至少50％的节点是诚实的，第二阈值取值为s_mid+Aσ；其中s_mid是偏离度集合的中位数，σ是偏离度集合分布的标准差，A是可调节的常系数。[0042] 当节点的累计贡献度低于第三阈值，智能合约行使访问控制作用，使该节点失去参与所有系统事务资格。[0043] 进一步，针对模型质量评估的代币激励机制，包括：[0044] 联邦学习依据个体法、留一法、夏普利值、最小核等方法可对参与训练方进行贡献度的评估；区块链根据联邦学习完成的贡献度评估，按贡献度的大小奖惩代币。[0045] 进一步，基于区块链与联邦学习的去中心化AI训练与交易平台运行流程包括：[0046] S201，分布式AI训练层中的边缘设备进行基于区块链的可信联邦学习；[0047] S202，区块链根据参与联邦学习任务的边缘设备提交的模型，依据智能合约中的激励机制进行贡献评估和代币发放，参与联邦学习训练的用户可以获得相应的代币作为激励；[0048] S203，区块链节点和边缘设备均需通过向证书授权机构进行身份认证后加入训练；[0049] S204，区块链上的全局模型组成一个庞大共享的AI模型池，其中包含智能安防、智能电网、医学图像处理、自然语言处理等AI模型，购买者可以使用代币进行AI模型的交易。代币可以用来购买平台训练好的AI模型，也可以对外出售。[0050] 本发明的另一目的在于提供一种基于区块链与联邦学习的去中心化AI训练与交易方法，包括：[0051] S1，任务发布者发布训练任务，所述训练任务包括：智能安防、智能电网、医学图像处理、自然语言处理等机器学习任务，并提供测试集和未经训练的机器学习模型，该模型作为初始全局模型。[0052] S2，区块链网络中的节点，下载未经训练的机器学习模型，并将训练用的模型进行参数初始化。[0053] S3，联邦学习训练节点在最新的综合全局模型(或初始模型)基础上利用本地的用户数据集训练模型。训练完成后得到本地模型。参与方发起上链的提案请求(即交易请求)，将训练好的本地模型参数上传到区块链上。[0054] S4，当区块链中本地模型数量符合聚合条件时，智能合约提交聚合模型参数的请求，生成新的全局模型并用测试集测试其精度。[0055] S5，最终生成的全局模型将被加入到AI模型池中共任意用户进行交易。[0056] 本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于区块链与联邦学习的去中心化AI训练与交易方法的步骤。[0057] 本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于区块链与联邦学习的去中心化AI训练与交易方法的步骤。[0058] 本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于区块链与联邦学习的去中心化AI训练与交易平台。[0059] 本发明的另一目的在于提供一种基于区块链与联邦学习的去中心化AI训练与交易平台，包括：[0060] AI训练层，用于边缘设备/终端从区块链侧或许最新的全局模型参数，并利用本地数据独立地执行联邦学习的训练任务，将训练好的本地模型参数提交至区块链层，训练节点需经过证书授权机构进行身份验证后方可加入联邦学习训练；[0061] 区块链层，联邦学习训练节点从区块链上获取新的综合全局模型利用本地数据开始训练；训练结束后，联邦学习训练节点提交本地模型至区块链，智能合约实时监测上传至区块链中本地模型的数量，若到达第一阈值，触发新一轮聚合操作；[0062] 交易层，用于将最终生成的全局模型将被加入到AI模型池中供任意用户进行交易。[0063] 结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：[0064] 第一，传统的机器学习方法需要集中式数据训练，这可能涉及将敏感用户数据发送到中央服务器，存在潜在的隐私风险。联邦学习提出了分散式训练的概念，但存在难题，即如何保护用户数据的隐私，同时有效地协调全局模型的训练。本发明通过将模型训练移至用户本地，每个用户在保持数据本地的情况下训练本地模型，然后使用智能合约和参数聚合技术来综合这些本地模型，以创建全局模型。通过测量本地模型与全局模型之间的偏离度，确定用户节点的贡献度，这种方法既解决了数据隐私问题，又有效协调了全局模型的训练，提供了创造性的隐私安全效果。[0065] 区块链技术通常涉及共识算法和智能合约，但在将其与AI训练相结合时，需要解决参数聚合和节点安全的问题。参数聚合需要确保在区块链层对模型参数进行合并时，数据不会泄漏或被篡改。另外，需要解决恶意节点攻击的问题，以保护整个系统的安全性。本发明通过设计智能合约和共识算法，实现了参数的安全聚合，并能够剔除恶意节点。此外，通过根据用户节点的贡献度进行贡献评估并发放代币激励，鼓励节点参与良好行为。这一组合技术不仅确保了区块链层的安全，还保护了分布式AI训练的整体安全性，具备创造性的节点安全效果。[0066] 本发明提供了一种新型的AI模型交易平台，其中用户可以交易训练好的AI模型，但这涉及到如何确保交易的合法性和模型的隐私性。智能合约必须审批交易，并确保模型的保密性。本发明通过区块链中的智能合约审批模型交易，并以代币作为交易的代价，提供了一种安全、可追溯的模型交易方式。这一技术不仅支持模型共享，还保护了模型的隐私，为AI模型交易领域带来了创造性的技术效果。[0067] 本发明成功解决了涉及联邦学习、区块链、数据隐私和AI模型交易等多个技术问题，为这些领域带来了一系列具有创造性的技术效果，包括数据隐私保护、节点安全和模型交易的创新。这些效果在保护用户及其数据的同时，促进了分布式AI的发展，具有重要的技术和商业潜力。[0068] 第二，本发明通过引入去中心化的架构，成功解决了传统边缘智能计算中存在的单点故障问题。这一架构不仅提高了系统的鲁棒性和可靠性，还保护了用户数据和隐私。用户数据在本地进行处理和训练，不离开本地，从而降低了潜在的隐私风险，为边缘智能计算提供了更高的安全性和可信度。[0069] 本发明引入了模型质量的评估和激励机制，通过智能合约的激励算法，鼓励边缘计算设备提供高质量的模型。这一机制确保了边缘智能计算模型的准确性和可靠性，同时激发了用户的积极性，使他们更愿意参与模型的贡献。这有助于提升整个系统的性能和效率。[0070] 本发明设计了一个交易层和一个庞大的AI模型池，允许任意用户使用虚拟代币进行AI模型的交易。这一设计不仅提高了AI模型的共享和可用性，还通过区块链授权保障了交易的安全性和可靠性。用户可以放心地交换模型，而不必担心数据泄露或模型的完整性问题，从而推动了AI模型交易的发展。[0071] 本发明创造了一种基于AI能力的交易平台，将区块链与联邦学习融合技术应用于实际场景中。这一平台的存在使更多用户能够参与人工智能模型的训练与交易，促进了AI技术的广泛传播和利用。用户可以根据自己的需求选择和交换模型，实现了个性化的AI应用，推动了AI技术的创新和普及。[0072] 综上所述，本发明的技术方案不仅解决了现有边缘智能计算中的关键问题，还带来了众多创新性的技术效果和优点，包括数据隐私保护、模型质量提升、交易的安全性和AI技术的推广。这些效果和优点使本发明在边缘智能计算和AI模型交易领域具有重要的商业和社会意义。[0073] 第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：[0074] (1)本发明的技术方案转化后的预期收益和商业价值为：[0075] 本发明的技术方案具有巨大的商业潜力和预期收益。首先，通过提供安全的边缘智能计算和AI模型交易平台，本发明为企业提供了一种高效的方式来利用分布式AI资源，降低了AI模型的训练和推理成本，提高了决策和应用的智能化水平。这将在企业领域带来巨大的效益，提高了生产效率和竞争力。其次，本发明的技术还可用于医疗诊断、智能城市、自动驾驶等领域，具有广泛的应用前景，有望在全球范围内推动AI技术的发展。因此，本发明的商业价值和预期收益非常可观。[0076] (2)本发明的技术方案填补了国内外业内技术空白：[0077] 在边缘智能计算和AI模型交易领域，存在着数据隐私保护、节点安全、模型共享等多个技术难题。本发明通过融合联邦学习和区块链技术，提供了一种综合性的解决方案，填补了这些领域的技术空白。国内外业内在这一领域的技术水平相对滞后，本发明的创新性技术方案使其处于领先地位。[0078] (3)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：[0079] 本发明的技术方案解决了长期以来困扰AI领域的重要问题，即如何在分布式环境中保护用户数据的隐私，如何确保模型的质量和安全，以及如何建立可信的模型交易平台。这些问题一直是学术界和产业界的热点关注，但长期未能取得成功的解决方案。本发明以创新性的思维和综合性的技术方案，成功地解决了这些技术难题。[0080] (4)本发明的技术方案是否克服了技术偏见：[0081] 本发明克服了传统中心化AI模型训练和交易方法的技术偏见。传统方法依赖于集中式数据存储和处理，存在数据隐私和安全性的顾虑，而本发明通过去中心化、区块链、联邦学习等技术手段，突破了这一偏见，实现了高效的分布式AI模型训练和交易，为用户提供了更安全、可信的AI服务。因此，本发明的技术方案是对传统技术偏见的一次重要挑战和改进。附图说明[0082] 为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。[0083] 图1是本发明实施例提供的基于区块链与联邦学习的去中心化AI训练与交易平台示意图；[0084] 图2是本发明实施例提供的分布式AI训练层的运行流程图；[0085] 图3是本发明实施例提供的区块链层的运行流程图；[0086] 图4是本发明实施例提供的交易层的运行流程图；[0087] 图5是本发明实施例提供的车辆上的前端页面示意图；[0088] 图6是本发明实施例提供的硬件模组及具体实施场景示意图；[0089] 图7是本发明实施例提供的疲劳驾驶检测中眼部和嘴部模型的准确率评估图；其中，(a)眼部，(b)嘴部。具体实施方式[0090] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0091] 针对现有技术存在的问题，本发明提供了一种基于区块链与联邦学习的去中心化AI训练与交易平台，下面结合附图对本发明作详细的描述。[0092] 如图1所示，本发明实施例提供的基于区块链与联邦学习的去中心化AI训练与交易平台，包括：[0093] 如图2所示，AI训练层，用于边缘设备/终端从区块链侧或许最新的全局模型参数，并利用本地数据独立地执行联邦学习的训练任务，将训练好的本地模型参数提交至区块链层，训练节点需经过证书授权机构进行身份验证后方可加入联邦学习训练；[0094] 区块链层，联邦学习训练节点从区块链上获取新的综合全局模型利用本地数据开始训练；训练结束后，联邦学习训练节点提交本地模型至区块链，智能合约实时监测上传至区块链中本地模型的数量，若到达第一阈值，触发新一轮聚合操作；[0095] 交易层，用于将最终生成的全局模型将被加入到AI模型池中供任意用户进行交易。[0096] 聚合操作包括：[0097] S101对于本轮所有本地模型进行平均运算，得到平均模型。分别评估每个本地模型与平均模型的偏离度；[0098] S102若本地模型的偏离度小于第二阈值，则将其认定为正常模型，否则，将其认定为恶意模型；[0099] S103根据偏离度大。持嫡ＤＰ吞峤唤诘愕墓毕锥，两者呈反比关系；扣除恶意模型提交联邦学习训练节点的贡献度，两者成正比关系。[0100] S104对所有正常模型进行聚合，即将所有正常模型进行平均运算，得到全局模型；[0101] S105将本轮全局模型和联邦学习训练节点的贡献度上传至区块链中。[0102] 本地模型与平均模型的偏离度通过以下方式评估：[0103][0104] 表示第t轮两个模型的相似度， 表示第t轮平均模型的权重， 表示第t轮第k个本地模型的权重， 表示第t轮本地模型与第t轮平均模型的闵氏距离；若片内区块链网络中至少50％的节点是诚实的，第二阈值取值为s_mid+Aσ；其中s_mid是偏离度集合的中位数，σ是偏离度集合分布的标准差，A是可调节的常系数；当节点的累计贡献度低于第三阈值，智能合约行使访问控制作用，使该节点失去参与所有系统事务资格。[0105] 针对模型质量评估的代币激励机制，包括：[0106] 联邦学习依据个体法、留一法、夏普利值、最小核等方法可对参与训练方进行贡献度的评估；区块链根据联邦学习完成的贡献度评估，按贡献度的大小奖惩代币。[0107] 基于区块链与联邦学习的去中心化AI训练与交易平台运行流程包括：[0108] S201，分布式AI训练层中的边缘设备进行基于区块链的可信联邦学习；[0109] S202，区块链根据参与联邦学习任务的边缘设备提交的模型，依据智能合约中的激励机制进行贡献评估和代币发放，参与联邦学习训练的用户可以获得相应的代币作为激励；[0110] S203，区块链节点和边缘设备均需通过向证书授权机构进行身份认证后加入训练；[0111] S204，区块链上的全局模型组成一个庞大共享的AI模型池，其中包含智能安防、智能电网、医学图像处理、自然语言处理等AI模型，购买者可以使用代币进行AI模型的交易。代币可以用来购买平台训练好的AI模型，也可以对外出售。[0112] 本发明实施例提供的基于区块链与联邦学习的去中心化AI训练与交易方法，包括：[0113] S1，任务发布者发布训练任务，所述训练任务包括：智能安防、智能电网、医学图像处理、自然语言处理等机器学习任务，并提供测试集和未经训练的机器学习模型，该模型作为初始全局模型。[0114] S2，区块链网络中的节点，下载未经训练的机器学习模型，并将训练用的模型进行参数初始化。[0115] S3，联邦学习训练节点在最新的综合全局模型(或初始模型)基础上利用本地的用户数据集训练模型。训练完成后得到本地模型。参与方发起上链的提案请求(即交易请求)，将训练好的本地模型参数上传到区块链上。[0116] S4，当区块链中本地模型数量符合聚合条件时，智能合约提交聚合模型参数的请求，生成新的全局模型并用测试集测试其精度。[0117] S5，最终生成的全局模型将被加入到AI模型池中共任意用户进行交易。[0118] 区块链通过评估每个本地模型与平均模型的偏离度来判定恶意模型并根据激励机制赋值各边缘设备训练节点的贡献度。除去恶意模型，节点对所有正常模型进行聚合，得到本轮全局模型，提交到链上。提交上链后，依据智能合约中的激励机制对训练节点下发代币进行激励。区块链节点也需经过证书授权机构进行身份验证后方可加入区块链网络。除此之外区块链具有存证溯源的特点，即加入到区块链中的记录被永久存储，区块链中的每一笔交易记录中均绑定了交易者信息，被完整记录和追溯，不可被摧毁或篡改。区块链层的运行流程如图3所示。[0119] 在交易层，任意用户可以利用代币来购买平台训练好的AI模型，这些模型位于区块链上，也可以出售自己手中有的AI模型而获得代币。AI模型池中包含了所有已经训练好的区块链链上的全局模型，如智能安防、智能电网、医学图像处理、自然语言处理等人工智能模型，方便交易用户进行购买和出售。当用户需要进行交易时，首先向区块链提交申请，区块链审批通过后，交易可以进行。交易层的运行流程如图4所示。[0120] 本发明的应用实施例提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行基于区块链与联邦学习的去中心化AI训练与交易方法的步骤。[0121] 本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行基于区块链与联邦学习的去中心化AI训练与交易方法的步骤。[0122] 本发明的应用实施例提供了一种信息数据处理终端，信息数据处理终端用于实现基于区块链与联邦学习的去中心化AI训练与交易平台。[0123] 以下是一种基于区块链与联邦学习的去中心化AI训练与交易平台的构建方法步骤：[0124] 1.平台初始化：[0125] a.选择合适的区块链平台(例如以太坊、Corda等)并设置相应的节点。[0126] b.设计和部署智能合约，用于实现模型训练和交易过程的自动化。[0127] c.设立证书授权机构(CA)，用于对训练节点进行身份验证。[0128] d.初始化AI模型池，并设定用于AI模型交易的交易层。[0129] 2.联邦学习训练过程：[0130] a.训练节点通过CA进行身份验证并获得相应的证书。[0131] b.训练节点从区块链侧获取最新的全局模型参数。[0132] c.训练节点利用本地数据执行联邦学习的训练任务，并将训练好的本地模型参数提交至区块链层。[0133] d.智能合约实时监测上传至区块链中的本地模型数量，若达到第一阈值，触发新一轮的聚合操作。[0134] 3.全局模型聚合与更新：[0135] a.在新一轮的聚合操作中，所有的本地模型将被聚合以形成一个新的全局模型。[0136] b.新的全局模型将通过智能合约被上传至区块链，并被加入到AI模型池中。[0137] 4.AI模型交易：[0138] a.任意用户可以在AI模型池中选择并购买合适的AI模型。[0139] b.购买的模型将被打上标签，以表明其所有权和使用权。[0140] c.对于模型的二次使用或转让，需要通过智能合约进行操作，确保所有权的转移和费用的支付。[0141] 5.安全与性能优化：[0142] a.针对区块链平台的安全性要求，进行相应的安全设计和优化。[0143] b.通过不断优化智能合约和相关算法，提高平台的性能和效率。[0144] 6.平台维护与持续迭代：[0145] a.对平台进行持续的维护和升级，以满足不断变化的用户需求和技术发展。[0146] b.根据实际应用场景和反。云教ń械透慕，以提升用户体验和性能。[0147] 实施例1：智能医疗诊断应用[0148] 本发明的技术方案可以应用于智能医疗诊断领域。医院和医疗机构可以使用本发明提供的去中心化的边缘智能架构来建立一个安全的医疗诊断系统。患者的医疗数据可以保持在本地，不离开医院网络，从而保护了患者的隐私。各个医院可以独立训练本地的医疗模型，然后使用区块链技术将这些模型进行聚合，形成一个全局的医疗诊断模型。[0149] 该系统还可以使用基于模型质量的评估和激励机制，鼓励医院提供高质量的医疗模型。当医疗模型在诊断患者时表现出色时，医院可以获得代币激励，从而提高了医疗诊断的准确性和可靠性。[0150] 实施例2：智能城市交通管理[0151] 在智能城市领域，本发明的技术方案可以用于交通管理。交通监控摄像头、传感器等设备可以在本地进行数据收集和处理，不需要将图像和传感器数据传输到中心服务器。每个交通监控点可以训练本地的模型来识别交通违规行为、拥堵情况等。[0152] 通过使用区块链技术，各个交通监控点的模型可以进行安全聚合，形成一个全城的交通管理系统。基于模型质量的评估和激励机制可以鼓励各个监控点提供准确的交通数据和模型，以获得代币激励。[0153] 效果1：数据隐私保护[0154] 在实施本发明的边缘智能计算系统中，数据隐私得到了充分保护。与传统中心化方法相比，用户的数据不需要传输到中央服务器，而是在本地进行处理和训练。这一优势在医疗诊断应用中尤为明显。在一个医疗诊断系统中，使用本发明的技术方案，数据传输的数量大幅减少，隐私泄露的风险显著降低。此外，通过区块链的数据验证和权限管理，确保只有授权的用户可以访问数据，进一步加强了隐私保护效果。[0155] 效果2：模型质量提升[0156] 基于模型质量的评估和激励机制在实施例中得到验证，对模型质量的提升产生了显著影响。在交通管理系统中的实验中，各个交通监控点的模型质量在一段时间内得到了改善。这是因为监控点积极参与模型的训练和贡献，以获取代币奖励，从而提高了模型的准确性。[0157] 应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD?ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。我们在车联网疲劳驾驶检测的场景下运用了此技术，我们部署在车辆上的前端页面如图5所示，硬件模组及具体实施场景如图6所示，在疲劳驾驶检测中我们的眼部和嘴部模型的准确率评估图如图7(a)、(b)示，可以看到在有恶意攻击的情况下模型的准确率仍然可以保持较高的水平。[0158] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

专利地区：湖北

专利申请日期：2023-10-19

专利公开日期：2024-11-29

专利公告号：CN117408332B