(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111492722.X (22)申请日 2021.12.08 (65)同一申请的已公布的文献号 申请公布号 CN 113900828 A (43)申请公布日 2022.01.07 (73)专利权人 深圳致星科技有限公司 地址 518000 广东省深圳市南 山区粤海街 道大冲社区深南大道9676号大冲商务 中心 （一期） 2栋 3号楼18C -1 (72)发明人 王玮　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 代理人 陈舟苗 (51)Int.Cl. G06F 9/50(2006.01)G06N 20/00(2019.01) H04L 9/00(2022.01) (56)对比文件 CN 111832050 A,2020.10.27 CN 113656823 A,2021.1 1.16 CN 112988237 A,2021.0 6.18 CN 112100673 A,2020.12.18 CN 112286752 A,2021.01.2 9 CN 112733161 A,2021.04.3 0 CN 112883408 A,2021.0 6.01 CN 113468099 A,2021.10.01 CN 113568731 A,2021.10.2 9 CN 112685159 A,2021.04.20 CN 112000598 A,2020.1 1.27 审查员 冷小素 (54)发明名称 联邦学习专用处理器、 联邦学习处理芯片及 芯片 (57)摘要 本申请涉及一种联邦学习专用处理器、 联邦 学习处理芯片及芯片。 该处理器包括彼此独立的 多个处理引擎， 其每一个包括并行的至少一个处 理子引擎且属于加密、 解密、 密文运算以及密钥 管理的类别中的一个。 该处理器用于生成联邦学 习任务的任务配置信息， 确定多个处理引擎的调 用次序和被调用的处理引擎， 根据任务配置信息 和被调用的处理引擎的状态生 成引擎配置信息， 根据引擎配置信息完成联邦学习任务。 多个处理 引擎中的至少一个处理引擎所包括的处理子引 擎由第一部分和第二部分组成， 第一部分的个数 根据联邦 学习通用业务场景预先设定， 第二部分 的个数可根据与联邦学习任务关联的联邦学习 子业务场景调整。 如此 实现数据流驱动的引擎分 配机制及优化设计 。 权利要求书4页 说明书24页 附图2页 CN 113900828 B 2022.03.04 CN 113900828 B 1.一种联邦学习专用处理器， 其特征在于， 所述联邦学习专用处理器包括彼此独立的 多个处理引擎， 所述多个处理引擎的每一个处理引擎包括并行的至少一个处理子引擎， 所 述多个处理引擎的每一个处理引擎属于多个类别中的一个类别， 所述多个类别包括加密、 解密、 密文运算以及密钥管理， 所述多个处理引擎包括密钥交换引擎、 数据求交引擎、 同态 加密引擎、 同态解密引擎、 密态加法引擎、 密态乘法引擎、 矩阵加法引擎、 矩阵乘法引擎以及 密文累加引擎, 其中， 所述联邦学习专用处理器用于接收联邦学习任务， 基于所述联邦学习任务生成 所述联邦学习任务的任务配置信息， 根据所述任务配置信息确定所述多个处理引擎的调用 次序， 根据该调用次序确定被调用的处理引擎， 根据所述任务配置信息和该被调用的处理 引擎的状态生成引擎配置信息， 根据所述引擎配置信息对该被调用的处理引擎进 行配置和 调用从而完成所述联邦学习任务， 其中， 所述多个处理引擎中的至少一个处理引擎所包括的处理子引擎由第 一部分的处 理子引擎和第二部 分的处理子引擎组成， 所述第一部分的处理子引擎的个数根据联邦学习 通用业务场景预先设定， 所述第二部分的处理子引擎的个数配置为可根据与所述联邦学习 任务关联的联邦学习子业务场景调整， 所述联邦学习子业务场景是多种预设子业务场景中 的一种预设子业 务场景， 所述多种预设子业 务场景基于所述联邦学习通用业 务场景, 所述联邦学习任务的所述任务配置信息包括与所述联邦学习任务关联的所述联邦学 习子业务场景， 其中， 根据所述任务配置信息确定所述多个处理引擎的调用次序， 包括： 根 据所述联邦学习子业 务场景确定所述多个处 理引擎的调用次序, 所述第二部分的处理子引擎的个数配置为可根据与所述联邦学习任务关联的所述联 邦学习子业 务场景调整， 包括： 根据所述联邦学习子业务场景确定与所述联邦学习子业务场景相对应的资源需求， 所 述资源需求包括数据位宽需求和运 算模式需求； 和 根据所述资源需求确定所述第二部分的处 理子引擎的个数。 2.根据权利要求1所述的联邦学习专用处理器， 其特征在于， 所述多种预设子业务场景 包括以下至少之一： 银行子业务场景、 电商子业务场景、 安防子业务场景、 政务子业务场景、 交通子业务场景、 证券子业务场景、 医疗服务子业务场景、 制药子业务场景、 航空子业务场 景。 3.根据权利要求1所述的联邦学习专用处理器， 其特征在于， 所述第 一部分的处理子引 擎的个数根据所述联邦学习通用业 务场景预先设定， 包括： 所述第一部分的处理子引擎的个数是出厂默认值和调 整值的和， 所述调整值根据 所述 联邦学习通用业 务场景在预设范围内确定 。 4.根据权利要求1所述的联邦学习专用处理器， 其特征在于， 所述同态加密引擎用于全 同态加密和半 同态加密， 所述同态解密引擎用于全同态解密和半 同态解密， 所述密态加法 引擎用于 向量级密态加法， 所述密态乘法引擎用于 向量级密态乘法， 所述矩阵加法引擎用 于数组和矩阵之间的密态加法以及矩阵和矩阵之间的密态加法， 所述矩阵乘法引擎用于数 组和矩阵之 间的密态乘法以及矩阵和矩阵之间的密态乘法， 所述密 文累加引擎用于密文 数 据的串行累加计算。 5.根据权利要求1至4中任一项所述的联邦学习专用处理器， 其特征在于， 该被调用的权　利　要　求　书 1/4 页 2 CN 113900828 B 2处理引擎的状态包括该被调用的处理引擎所包括的处理子引擎中的空闲处理子引擎的个 数， 所述引擎配置信息包括该被调用的处理引擎的数据分配方式， 其中， 根据所述任务配置 信息和该被调用的处 理引擎的状态生成所述引擎配置信息， 包括： 当所述空闲处理子引擎的个数大于或者等于待计算数据的个数时， 按照特定次序分配 所述待计算数据给该被调用的处理引擎所包括的处理子引擎， 所述待计算数据的个数根据 所述任务配置信息确定； 和 当所述空闲处理子引擎的个数小于所述待计算数据的个数时， 重复进行： 按照所述特 定次序分配所述待计算数据给该被调用的处理引擎所包括的处理子引擎中的空闲处理子 引擎直到所有空 闲处理子引擎被分配。 6.根据权利要求5所述的联邦学习专用处理器， 其特征在于， 所述特定次序包括顺序轮 询方式或者随机轮询方式。 7.根据权利要求5所述的联邦学习专用处理器， 其特征在于， 该被调用的处理引擎的状 态还包括该被调用的处理引擎的利用率， 所述引擎配置信息包括该被调用的处理引擎的资 源配置， 其中， 根据所述任务配置信息和该被调用的处理引擎的状态生成所述引擎配置信 息， 还包括： 根据所述任务配置信息和该被调用的处理引擎的利用率调整该被调用的处理 引擎的资源配置 。 8.根据权利要求5所述的联邦学习专用处理器， 其特征在于， 该被调用的处理引擎的状 态还包括该被调用的处理引擎的功 耗， 所述引擎配置信息包括该被调用的处理引擎的资源 配置， 其中， 根据所述任务配置信息和该被调用的处理引擎的状态 生成所述引擎配置信息， 还包括： 根据所述任务配置信息和该被调用的处理引擎的功 耗调整该被调用的处理引擎的 资源配置 。 9.一种芯片， 用于联邦学习， 其特征在于， 所述芯片包括彼此独立的多个处理引擎， 所 述多个处理引擎的每一个处理引擎包括并行的至少一个处理子引擎， 所述多个处理引擎分 别为密钥交换引擎、 数据求交引擎、 同态加密引擎、 同态 解密引擎、 密态加法引擎、 密态乘法 引擎、 矩阵加法引擎、 矩阵乘法引擎以及密 文累加引擎， 所述多个处理引擎的每个处理引擎 被调用时通过 各自的处 理子引擎独立进行运 算， 其中， 所述芯片用于接收联邦学习任务， 基于所述联邦学习任务生成所述联邦学习任 务的任务配置信息， 根据所述任务配置信息确定所述多个处理引擎的调用次序， 根据该调 用次序确定被调用的处理引擎， 根据所述任务配置信息和该被调用的处理引擎的状态生成 引擎配置信息， 根据所述引擎配置信息对该被调用的处理引擎进 行配置和调用从而完成所 述联邦学习任务， 其中， 所述多个处理引擎中的至少一个处理引擎所包括的处理子引擎由第 一部分的处 理子引擎和第二部 分的处理子引擎组成， 所述第一部分的处理子引擎的个数根据联邦学习 通用业务场景预先设定， 所述第二部分的处理子引擎的个数配置为可根据与所述联邦学习 任务关联的联邦学习子业务场景调整， 所述联邦学习子业务场景是多种预设子业务场景中 的一种预设子业 务场景， 所述多种预设子业 务场景基于所述联邦学习通用业 务场景, 所述任务配置信息包括所述联邦学习子业务场景， 其中， 根据所述任务配置信息确定 所述多个处理引擎的调用次序， 包括： 根据所述联邦学习子业务场景确定所述多个处理引 擎的调用次序,权　利　要　求　书 2/4 页 3 CN 113900828 B