(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 202111489023.X (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. G06N 20/00(2019.01) G06F 21/56(2013.01) G06F 21/62(2013.01) G06F 16/27(2019.01)G06F 16/9536(2019.01) G06F 16/9537(2019.01) (54)发明名称 基于区块链技术的垂直联邦学习恶意节点 检测与加固方法和应用 (57)摘要 本发明公开了一种基于区块链技术的垂直 联邦学习恶意节点检测与加固方法和应用， 包 括： 基于区块链参与垂直联邦学习的参与方建立 智能合约； 参与方与发起垂直联邦学习的主动参 与方进行垂直联邦学习； 主动参与方对应的主动 计算节点利用中心服务器模型对各参与方的中 间计算结果进行推理验证， 根据推理验证结果计 算各参与方的累积贡献度； 建立验证委员会， 验 证委员会以累积贡献度高的中间计算结果为基 础生成对抗样本数据， 并构建样本检测模型， 利 用样本检测模 型对参与方进行恶意节 点检测； 主 动计算节点结合验证委员会生成的对抗样本数 据对抗训练中心服务器模型以加 固中心服务器 模型来防御对抗攻击。 能够实现对恶意节点的检 测， 同时加固垂直联邦学习 系统。 权利要求书2页 说明书8页 附图3页 CN 114492828 A 2022.05.13 CN 114492828 A 1.一种基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 包括 以下步骤： 步骤1， 基于区块链参与垂直联邦学习的参与方建立智能合约， 包括参与 方的身份信 息 注册和认证、 参与方与计算节点的绑定以及参与方签订智能合约； 步骤2， 参与方基于签订的智能合约部署本地训练任务， 利用样本数据训练本地模型， 并将得到的中间计算结果上传至对应 计算节点经加密后再 上传至区块； 步骤3， 发起垂直联邦学习参与 方作为主动参与方， 主动参与 方对应的主动计算节点从 区块中下载并应用所有加密的中间计算结果联合训练中心服务器模型， 同时利用各中间计 算结果训练各参与方的模型梯度并上传至区块， 各参与方通过对应的计算节点从区块下载 自己的模型梯度， 进行 下一轮训练； 步骤4， 主动 计算节点利用中心服务器模型对各参与 方的中间计算结果进行推理验证， 根据推理验证结果计算各参与方的累积贡献度； 步骤5， 建立验证委员会， 验证委员会以累积贡献度高的中间计算结果为基础生成对抗 样本数据， 并构建样本检测模型， 利用样本检测模型对参与方进行恶意节点检测； 步骤6， 主动计算节点结合验证委员会生成的对抗样本数据对抗训练中心服务器模型 以加固中心服务器模型来防御对抗 攻击。 2.根据权利要求1所述的基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 步骤1中， 参与方的身份信息注册和认证时， 注册信息包括上传数据的大小格 式和设备算力， 经 过认证后的每 个参与方分配身份码ID， 并初始化 参与方累积贡献度为0； 参与方与计算节点绑定时， 一个 计算节点绑定 至少一个参与方。 3.根据权利要求1所述的基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 步骤1中， 发起垂直联邦学习任务的参与方制 定智能合约， 智能合约的规定包 括数字签名加密机制、 模 型结构信息、 数据结构信息、 以及贡献度机制， 其中， 数据结构信息 包括参与方属性和中间计算结果维度。 4.根据权利要求3所述的基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 数字签名加密机制为： 垂直联邦学习的参与 方使用数据的同态加密机制， 任意选两个长度相等的质数p,q， 计 算n＝pq， λ＝ lcm(p‑1,q‑1)， 其中lcm( ·)为求取最小公倍数函数； 随机选择一个小于n2的正整数z ， 使得gcd (L (zλmodn2) ,n) ＝1 ， 其中 ， mod为取余操作， gcd( ·)为求取最大公约数函数， 此外， μ＝(L (gλmodn2))‑1modn； 将(n,z)作为公钥， ( λ, μ )作为私钥。 5.根据权利要求1所述的基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 步骤2 中， 计算节点采用公钥(n,z)公对中间计算结果进行加密， 得到密文c＝ zmrnmodn2， 其中， 0＜r＜n且r,n互质， 将密文上传至区块。 6.根据权利要求1所述的基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 步骤3中， 主动计算节点 通过以下 方式联合训练中心服 务器模型：权　利　要　求　书 1/2 页 2 CN 114492828 A 2cglobal＝ η1·c1+ η2·c2+...+ ηk·ck 其中， η1,..., ηk为自适应权值， 符号 ·表示逐元素相乘， c1,...,ck为参与方上传的加密 中间计算结果， cglobal表示所有参与方数据的计算结果的加权和， 作为中心服务器模型的输 入。 7.根据权利要求1所述的基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 步骤4中， 主动计算节点 根据推理验证结果计算各参与方的累积贡献度为： 其中， i和j表示参与方的索引， acci表示参与方i的中间计算结果单独训练中心服务器 模型的准确率， m为参与方的总个数， α 为贡献度缩放因子， x表示第l轮训练时参与方i经过 缩放因子缩放后的归一化准确率， 即 表示第l轮训练时参与方i的贡献度， 表示第l‑1轮训练时参与方i的累积贡献度。 8.根据权利要求1所述的基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 步骤5中， 验证委员会包括验证计算节点和与验证计算节点绑定的对抗样 本生 成方， 验证计算节点从区块中下载累积贡献度最高的中间计算结果并传输给对抗样本生成 方， 对抗样本生 成方以接收的中间计算结果作为正样本数据， 并以正样本数据为基础， 通过 添加扰动并结合 生成式对抗网络来构建对抗样本数据并上传至验证 计算节点； 验证计算节点基于正样本数据和对抗样本数据对抗训练用于检测样本数据是否正常 的样本检测模型， 然后利用样本检测模型对参与方 的中间计算结果进行检测， 当发现检测 结果为对抗样本时， 将中间计算结果对应的参与方为恶意节点。 9.根据权利要求1所述的基于区块链技术的垂直联邦学习恶意节点检测与加固方法， 其特征在于， 步骤6中， 验证委员会包含的验证计算节点上传 对抗样本数据至区块的对抗样 本数据库中， 主动计算节点从区块的对抗样本数据库中下载对抗样本数据， 并结合各参与 方的中间计算结果对 对抗训练中心服 务器模型以加固 中心服务器模型来防御对抗 攻击。 10.一种应用在社交网络的兴趣爱好预测模型的构建方法， 其特征在于， 所述兴趣爱好 预测模型用于兴趣爱好的预测， 且通过权利要求1 ‑9任一项所述的基于区块链技术的垂直 联邦学习恶意节点检测与加固方法构建得到， 即参与方拥有的样本数据为社 交网络， 其中， 社交网络的节点为博主， 连边表示社会关系， 社交网络中博主的兴趣爱好为样本数据的标 签， 即基于参与方的社交网络和标签， 通过垂直联邦学习构建的中央服务器模型为所述兴 趣爱好预测模型； 在应用时， 社交网络经处 理输入至兴趣爱好预测模型， 经计算输出兴趣爱好预测结果。权　利　要　求　书 2/2 页 3 CN 114492828 A 3