(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 202111512267.5 (22)申请日 2021.12.08 (71)申请人 杭州趣链科技有限公司 地址 310051 浙江省杭州市滨江区丹 枫路 399号2号楼 A楼2001室 (72)发明人 张延楠　尚璇　张帅　谢逸俊　 李伟　 (74)专利代理 机构 杭州天勤知识产权代理有限 公司 33224 专利代理师 曹兆霞 (51)Int.Cl. G06F 21/62(2013.01) G06F 21/60(2013.01) G06F 16/27(2019.01) G06N 20/00(2019.01)G06Q 40/02(2012.01) H04L 9/00(2022.01) H04L 67/10(2022.01) (54)发明名称 基于区块链和同态加密的联邦学习方法和 应用 (57)摘要 本发明公开了一种基于区块链和同态加密 的联邦学习方法和应用， 包括以下步骤： 基于区 块链参与联邦学习的客户端进行智能合约注册； 客户端利用本地数据训练本地模 型， 计算本地模 型对评价数据的预测标签后将其和本地模型经 区块链传至账本客户端； 账本客户端基于预测标 签对本地模型进行贡献度评价并为本地客户端 构建超级节 点； 对每个超级节 点所属的客户端的 本地模型进行聚合， 每个超级节 点对应的聚合模 型再经聚合并同态加密后上传至账本客户端； 账 本客户端对加密 的聚合模型进行同态解密后上 传至区块链， 客户端从区块链下载解密后模型进 行下一轮训练。 该方法通过对 联邦学习的同态加 密， 保证数据安全， 同时提高模型的鲁棒 性。 权利要求书2页 说明书6页 附图2页 CN 114491616 A 2022.05.13 CN 114491616 A 1.一种基于区块链和同态加密的联邦学习方法， 其特 征在于， 包括以下步骤： 步骤1， 初始化管理账本的客户端为账本客户端， 基于区块链参与联邦学习的客户端进 行智能合约注 册； 步骤2， 客户端利用本地数据训练本地模型， 计算本地模型对评价数据的预测标签后， 将预测标签和本地模型 经区块链传至账本客户端； 步骤3， 账本客户端基于预测标签对本地模型进行贡献度评价， 依据贡献度评价结果为 本地客户端构建超级节点； 步骤4， 对每个超级节点所属的客户端的本地模型进行聚合， 每个超级节点对应的聚合 模型再经聚合并同态加密后， 经区块链传至账本客户端； 步骤5， 账本客户端对加密的聚合模型进行同态解密后上传至区块链， 客户端从区块链 下载解密后模型进行 下一轮训练。 2.根据权利要求1所述的基于区块链和同态加密的联邦学习方法， 其特征在于， 步骤1 中， 智能合约注册包括数据的初始化和模型的初始化， 其中， 在在进行模型初始化时， 账本 客户端生成公钥Pk和私钥Sk。 3.根据权利要求1所述的基于区块链和同态加密的联邦学习方法， 其特征在于， 步骤3 中， 账本客户端从区块中下载当前轮次的本地模型和预测标签， 后， 基于预测标签对本地模 型进行贡献度评价， 包括： 其中， 为本地模型的贡献度， Cor[ ·]为预测标签 与实际标签Tt+1的正确率， 正确率越高， 表示贡献度越高。 4.根据权利要求1所述的基于区块链和同态加密的联邦学习方法， 其特征在于， 步骤3 中， 账本客户端依据贡献度评价结果为本地客户端构建超级节点， 包括： 将所有本地模型按 照贡献度进行排序， 然后均分到Q个超级节点时， 按照 贡献度大小依次选择K/Q个客户端的 本地模型划分到1个超级节点。 5.根据权利要求1所述的基于区块链和同态加密的联邦学习方法， 其特征在于， 步骤4 中， 对每个超级节点所属的客户端的本地模型进 行聚合时， 依据每个本地模型的POW值进 行 聚合， 得到的聚合模型 为： 其中， Qs表示第s个超级节点包含的本地模型的个数， n为本地模型和客户端的索引， 表示第t训练时第n个本地模型， 表示本地模型 的POW值， 也就是贡献度值， 表示 第s个超级节点的聚合模型。 6.根据权利要求1所述的基于区块链和同态加密的联邦学习方法， 其特征在于， 步骤4 中， 每个超级节点对应的聚合模型 再经过聚合得到的最终聚合模型Lt为： 权　利　要　求　书 1/2 页 2 CN 114491616 A 2其中， 表示第s个超级节点的POW 值， Q表示超级节点的个数； 利用公钥Pk对最终聚合模型Lt进行同态加密处理后上传至区块， 其中， 同态加密后的最 终聚合模型Et＝En[Lt]Pk， En[·]Pk表示同态加密操作。 7.根据权利要求6所述的基于区块链和同态加密的联邦学习方法， 其特征在于， 第s个 超级节点的 通过以下 方式计算得到： 其中， 表示t轮次时第s个超级节点的累 计POW值， 是多次POW值的累 计和， 将当前 时刻的本地模型的贡献度作为当前轮次的POW 值。 8.根据权利要求6所述的基于区块链和同态加密的联邦学习方法， 其特征在于， 步骤5 中， 账本客户端从区块下载加密后的最终聚合模型， 然后利用私钥Sk同态解密以得到解密 后模型Gt＝De[Et]Sk， 其中， De[ ·]Sk表示同态解密操作。 解密后模型存储在区块中， 客户端 从区块中下 载解密后模型进行 下一轮训练。 9.一种应用 在金融领域的贷款违约预测模型的构建方法， 其特征在于， 所述贷款违约 预测模型用于用户的贷款违约预测， 通过权利要求1 ‑8任一项所述的基于区块链和同态加 密的联邦学习方法构建得到， 即客户端为银行， 拥有的本地数据为贷款相关数据， 基于该贷 款相关数据， 构建的聚合模型为所述贷款违约预测模型； 应用时， 用户的贷款相关数据输入至贷款违约预测模型， 经计算输出贷款违约预测结 果。权　利　要　求　书 2/2 页 3 CN 114491616 A 3