(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 202111203259.2 (22)申请日 2021.10.15 (71)申请人 海南火链科技有限公司 地址 571924 海南省澄迈县老城镇高新 技 术产业示范区海南生态软件园沃克公 园8830 (72)发明人 焦锋　温志龙　王旭蕾　 (74)专利代理 机构 北京中强智尚知识产权代理 有限公司 1 1448 代理人 刘敏 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01) G06F 111/08(2020.01) (54)发明名称 基于区块链和联邦学习的模 型共建方法、 装 置及设备 (57)摘要 本申请公开一种基于区块链和联邦学习的 模型共建方法、 装置及设备， 涉及区块链技术领 域， 可解决边缘设备通信资源消耗大的技术问 题。 包括： 在区块链中筛选一个边缘服务器节点 作为聚合节 点， 并利用聚合节 点在其下属的边缘 设备节点中筛选预设数量个训练节 点； 在训练节 点上基于 预设机器学习算法训练本地模型， 并在 本地模型训练完成后提取第一模 型参数； 按照预 设数据量化压缩规则对第一模型参数进行压缩 处理， 并将 压缩处理后的第一模 型参数上传至聚 合节点； 利用聚合节点对压缩处理后的第一模型 参数进行解码以及聚合处理， 得到第二模型参 数； 将第二模型参数发送至训练节点， 以利用第 二模型参数继续迭代训练本地模 型， 直至实现各 个训练节点间的模型共建。 权利要求书2页 说明书10页 附图4页 CN 114154392 A 2022.03.08 CN 114154392 A 1.一种基于区块链和联邦学习的模型共建方法， 其特 征在于， 包括： 基于可验证随机函数在区块链中随机筛选一个边缘服务器节点作为聚合节点， 并利用 所述聚合节点在其下属的边 缘设备节点中筛 选预设数量个作为训练节点； 在所述训练节点上分别基于预设机器学习算法训练本地模型， 并在所述本地模型训练 完成后提取第一模型参数； 按照预设数据量化压缩规则对所述第 一模型参数进行压缩处理， 并将压缩处理后的第 一模型参数 上传至所述聚合节点； 利用所述 聚合节点对所述压缩处理后的第 一模型参数进行解码以及聚合处理， 得到第 二模型参数； 将所述第二模型参数发送至所述训练节点， 以利用所述第 二模型参数继续迭代训练所 述本地模型， 直至实现各个训练节点间的模型共建。 2.根据权利要求1所述的方法， 其特征在于， 所述按照预设数据量化压缩规则对所述第 一模型参数进行压缩处 理， 包括： 将所述第一模型参数转化为参数特征向量， 并提取所述参数特征向量各个特征维度 下 的参数子特 征向量； 确定所述参数子特征向量所属的预设 向量区间， 并依据 所述预设 向量区间对应的向量 转化规则对所述 参数子特 征向量进行向量 转化处理； 所述将压缩处 理后的第一模型参数 上传至所述聚合节点， 包括： 若判定各个所述参数子特征向量均完成所述向量转化处理， 则判定所述第 一模型参数 压缩处理完成， 将压缩处 理完成的第一模型参数 上传至所述聚合节点。 3.根据权利要求2所述的方法， 其特征在于， 所述预设 向量区间至少包括第 一预设向量 区间、 第二预设向量区间以及第三预设向量区间； 所述确定所述参数子特征向量所属的预设 向量区间， 并依据所述预设 向量区间对应的 向量转化规则对所述 参数子特 征向量进行向量 转化处理， 包括： 若确定所述参数子特征向量所属于所述第 一预设向量区间， 则按照第 一向量转化规则 将所述参数子特 征向量内的数值映射 为0； 若确定所述参数子特征向量所属于所述第 二预设向量区间， 则按照第 二向量转化规则 将所述参数子特 征向量内的数值映射 为均值矩阵的行列位置， 并配置解码矩阵； 若确定所述参数子特征向量所属于所述第 三预设向量区间， 则按照第 三向量转化规则 将所述参数子特 征向量内的数值映射 为截断小数位的整数值。 4.根据权利要求3所述的方法， 其特征在于， 所述若确定所述参数子特征向量所属于所 述第二预设向量区间， 则按照第二向量转化规则将所述参数子特征向量内的数值映射为均 值矩阵的行列位置， 并配置解码矩阵， 包括： 若确定所述参数子特征向量所属于所述第 二预设向量区间， 则提取所述参数子特征向 量在所述第二预设向量区间中所属的子向量区间； 按照所述参数子特征向量所属的子向量区间， 将所述参数子特征向量内的数值映射为 所述子向量区间对应的行列位置， 并配置解码矩阵。 5.根据权利要求3所述的方法， 其特 征在于， 所述方法还 包括： 根据所述 参数子特 征向量所属的预设向量区间， 生成量 化层数标识；权　利　要　求　书 1/2 页 2 CN 114154392 A 2所述将压缩处 理后的第一模型参数 上传至所述聚合节点， 包括： 将压缩处 理完成的第一模型参数和所述 量化层数标识上传至所述聚合节点。 6.根据权利要求5所述的方法， 其特征在于， 所述利用所述 聚合节点对所述压缩处理后 的第一模型参数进行解码以及聚合处 理， 得到第二模型参数， 包括： 利用所述 聚合节点并依据所述量化层数标识， 在所述第 一模型参数中提取被映射为均 值矩阵行列位置的参数子特征向量以及对应的解码矩阵， 依据所述解码矩阵进行解码处 理， 得到解码处 理后的第一模型参数； 计算经过解码处理后的各个第 一模型参数的参数平均值， 并将所述参数平均值确定为 第二模型参数。 7.根据权利要求1所述的方法， 其特征在于， 所述将所述第 二模型参数发送至所述训练 节点， 以利用所述第二模型参数继续迭代训练所述本地模型， 直至实现各个训练节点间的 模型共建， 包括： 将所述第二模型参数发送至所述训练节点， 利用所述第 二模型参数替换所述本地模型 的第一模型参数， 并重复执行上述训练本地模型， 以及利用聚合节点对模型参数聚合处理 的过程， 直至判定 完成所述训练节点间的模型共建。 8.一种基于区块链和联邦学习的模型共建装置， 其特 征在于， 包括： 筛选模块， 用于基于可验证随机函数在区块链中随机筛选一个边缘服务器节点作为 聚 合节点， 并利用所述聚合节点在其下属的边 缘设备节点中筛 选预设数量个作为训练节点； 训练提取模块， 用于在所述训练节点上分别基于预设机器学习算法训练本地模型， 并 在所述本地模型训练完成后提取第一模型参数； 处理上传模块， 用于按照预设数据量化压缩规则对所述第一模型参数进行压缩处理， 并将压缩处 理后的第一模型参数 上传至所述聚合节点； 解码聚合模块， 用于利用所述 聚合节点对所述压缩处理后的第 一模型参数进行解码以 及聚合处 理， 得到第二模型参数； 发送模块， 用于将所述第二模型参数发送至所述训练节点， 以利用所述第二模型参数 继续迭代训练所述本地模型， 直至实现各个训练节点间的模型共建。 9.一种存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被处理器执行 时实现权利要求1至7中任一项所述的基于区块链和联邦学习的模型共建方法。 10.一种计算机设备， 包括存储介质、 处理器及存储在存储介质上并可在处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至7中任一 项所述的基于区块链和联邦学习的模型共建方法。权　利　要　求　书 2/2 页 3 CN 114154392 A 3