(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 202111488625.3 (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 21/62(2013.01) G06F 16/27(2019.01) (54)发明名称 基于区块链技术的联邦学习模型水印加固 方法和应用 (57)摘要 本发明公开了一种基于区块链技术的联邦 学习模型水印加固方法和应用， 包括： 通过从模 型得到的卷积核信息和随机生成的投影矩 阵生 成水印信息， 并将该水印信息集合身份信息作为 正则项添加到原损失函数来优化模 型参数， 这样 就在模型中植入了水印信息和身份信息， 在保证 模型鲁棒性的基础上， 通过水印信息和身份信息 对模型进行加固， 以标识模型。 在此基础上， 采用 区块链的账本技术将模型梯度信息、 投影矩阵、 身份信息以及卷积核信息进行统一记录， 防止信 息被遗漏和破坏； 提供的水印信息的提取与验证 实现对模型的所有权认证， 保护联邦学习模型的 隐私安全和产权保护。 权利要求书2页 说明书7页 附图1页 CN 114492827 A 2022.05.13 CN 114492827 A 1.一种基于区块链技 术的联邦学习模型 水印加固方法， 包括以下步骤： 初始化模型， 并分配模型至各边 缘端； 各边缘端利用本地样本数据训练被分配的模型， 在训练时， 根据从模型得到的卷积核 信息和随机生成的投影矩阵生成水印信息， 该水印信息结合身份信息作为正则项增加到原 损失函数， 利用增加有正则项的新损失函数优化模型参数， 以在模型中植入水印信息和身 份信息； 各边缘端完成当前轮训练后， 上传模型梯度信 息、 投影矩阵、 身份信 息以及卷积核信 息 至区块链账本中， 并以交易的形式存 储到各区块链 节点中； 各边缘端依据工作量证明决定出块权的归属， 获得出块权的边缘端作为当前轮的临时 服务器， 聚合各边 缘端上传的模型梯度信息， 以得到联邦学习模型并广播到区块链账本中； 各边缘端从区块链账本中下 载聚合模型进行 下一轮训练。 2.根据权利要求1所述的基于区块链技术的联邦学习 模型水印加固方法， 其特征在于， 初始化模型时， 设置模型结构， 初始权重以及偏置参数， 同时设置训练轮次、 参与联邦学习 的边缘端设备个数； 设置训练相关参数， 包括优化器 类型、 学习率， 损失函数以及模型参数求 解算法。 3.根据权利要求1所述的基于区块链技术的联邦学习 模型水印加固方法， 其特征在于， 所述根据从模型 得到的卷积核信息和随机生成的投影矩阵生成水印信息， 包括： 每轮训练时， 从模型中提取某一卷积层的所有卷积核的权重取平均操作， 将平均操作 结果作为卷积核信息对应的卷积核向量； 随机生成满足正态分布的投影矩阵； 将投影矩阵与 卷积核向量相乘后， 经过激活函数激活得到水印信 息对对应的水印植入 向量。 4.根据权利要求3所述的基于区块链技术的联邦学习 模型水印加固方法， 其特征在于， 所述激活函数采用sigmo id激活函数。 5.根据权利要求1所述的基于区块链技术的联邦学习 模型水印加固方法， 其特征在于， 所述水印信息结合身份信息作为 正则项增 加到原损失函数， 包括： 将身份信 息转化的身份信 息向量和水印信 息对应的水印植入向量做 交叉熵， 以该交叉 熵作为正则项添加到原损失函数， 以得到增 加有正则项的新损失函数。 6.根据权利要求1所述的基于区块链技术的联邦学习 模型水印加固方法， 其特征在于， 所述联邦学习模型还 包括： 各边 缘端对联邦学习模型进行 水印验证， 包括： 从联邦学习模型中提取生成水印信 息时采用的卷积层的所有卷积核， 通过对所有卷积 核的权重取平均操作得到卷积核向量； 从区块链账本中获得之前记录的投影矩阵， 并将该投影矩阵与卷积核向量相乘后， 将 得到的结果通过阶跃函数 处理得到提取信息， 并将该提取信息与从区块链账本中获得之前 记录的身份信息进行信息比对， 根据比对结果确认联邦学习模型是否植入水印， 以排除不 可靠的边 缘端及其训练的模型。 7.根据权利要求6所述的基于区块链技术的联邦学习 模型水印加固方法， 其特征在于， 采用的阶跃函数将投影矩阵与卷积核向量相乘的结果处理成由0和1组成的比特序列作为 提取信息 。 8.根据权利要求1所述的基于区块链技术的联邦学习 模型水印加固方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 114492827 A 2设置每个边缘端的随机生成的投影矩阵和身份信息相同。 9.一种应用 在金融领域的需求分析及预测模型的保护方法， 其特征在于， 各银行作为 边缘端， 拥有用于训练需求分析及预测模型 的用户数据作为样本数据， 所述需求分析及预 测模型用于根据用户数据分析并预测用户的金融需求， 所述需求分析及预测模型通过权利 要求1‑8任一项所述的基于区块链技术的联邦学习模型水印加固方法得到， 使得通过水印 加固的需求分析及预测模型能够防止被攻击和盗用。 10.一种应用在医疗领域的身体状态分析模型的保护方法， 其特征在于， 各医疗机构作 为边缘端， 拥有用于训练身体状态分析模型 的医患数据作为样本数据， 所述身体状态分析 模型用于根据医患数据分析并预测 患者的身体状态， 所述身体状态分析模 型通过权利要求 1‑8任一项所述的基于区块链技术的联邦学习模型水印加固方法得到， 使得通过水印加固 的身体状态分析模型能够防止被攻击和盗用。权　利　要　求　书 2/2 页 3 CN 114492827 A 3