基于区块链和动态信誉的自适应联邦学习方法及系统与流程
技术特征：
1.基于区块链和动态信誉的自适应联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的基于区块链和动态信誉的自适应联邦学习方法，其特征在于，每个边缘服务器对局部模型进行加密，得到密文局部模型集合，方法包括：每个边缘服务器采用对称密钥加密算法加密局部模型，并生成密文局部模型集合。
3.根据权利要求1所述的基于区块链和动态信誉的自适应联邦学习方法，其特征在于，每个边缘服务器训练局部模型的局部目标函数为：
4.根据权利要求1所述的基于区块链和动态信誉的自适应联邦学习方法，其特征在于，聚合服务器引入衰减系数，计算边缘服务器在某一轮训练过程的信誉等级，过程包括：根据聚合服务器的历史信誉、数据集大小和模型稳定性，计算初始信誉；引入衰减系数，根据初始信誉，计算边缘服务器在某一轮训练过程的信誉等级。
5.根据权利要求4所述的基于区块链和动态信誉的自适应联邦学习方法，其特征在于，计算边缘服务器在某一轮训练过程的信誉等级，采用以下公式表示：
6.根据权利要求4所述的基于区块链和动态信誉的自适应联邦学习方法，其特征在于，所述初始信誉采用以下公式表示：
7.根据权利要求1所述的基于区块链和动态信誉的自适应联邦学习方法，其特征在于，所述响应比为：边缘服务器对聚合服务器的响应次数与聚合服务器在时间间隔内向聚合服务器发送聚合请求的总次数之间的比值。
8.根据权利要求1所述的基于区块链和动态信誉的自适应联邦学习方法，其特征在于，所述信誉值通过以下公式计算：
9.根据权利要求1所述的基于区块链和动态信誉的自适应联邦学习方法，其特征在于，所述对每个边缘服务器进行自适应权重聚合的聚合权重，采用以下公式表示：
10.基于区块链和动态信誉的自适应联邦学习系统，其特征在于，包括：若干边缘服务器、任务发布服务器、区块链网络以及聚合服务器；
技术总结
本发明涉及信誉度模型及联邦学习技术领域，提供了一种基于区块链和动态信誉的自适应联邦学习方法及系统。该方法包括，利用智能合约计算各客户端的信誉度，并将信誉值存储到区块链上，防止服务器在遭受恶意攻击时篡改信誉值，影响联邦学习效果；设计了一种自适应权重聚合算法，以减轻由数据质量差异导致的模型性能和稳定性下降，从而提升模型的准确率，加速模型收敛；将模型和准确率上链安全存储，保证数据的真实性和可追溯；结合区块链技术建立了一套全生命周期的隐私保护和安全保障机制，可有效防止投毒攻击与推理攻击。
技术研发人员：王连海,刘天瑞,徐淑奖,张淑慧,王英晓春,王欣蕾,李琪
受保护的技术使用者：山东省计算中心（国家超级计算济南中心）
技术研发日：
技术公布日：2024/12/5
技术研发人员：王连海,刘天瑞,徐淑奖,张淑慧,王英晓春,王欣蕾,李琪
技术所有人：山东省计算中心（国家超级计算济南中心）
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除