面向大规模产业链隐私计算的联邦学习模型训练方法

    公开(公告)号:CN114169412A

    公开(公告)日:2022-03-11

    申请号:CN202111397160.0

    申请日:2021-11-23

    IPC分类号: G06K9/62 G06N20/00

    摘要: 本发明提供一种面向大规模产业链隐私计算的联邦学习模型训练方法。所述方法包括:由联邦学习中心服务器节点以非独立同分布为目标划分产业链业务训练数据集,并分发至多个联邦学习工人节点;联邦学习工人节点基于目标利润函数迭代训练本地模型;聚合服务器节点在聚合每个联邦学习工人节点发送的更新后的本地模型权重后,根据各个本地模型权重分布和整体本地模型权重分布,计算每个联邦学习工人节点对应的地动距离,并剔除超过预设距离阈值的联邦学习工人节点;由剩余的联邦学习工人节点继续进行模型训练。本发明在联邦学习模型训练过程中将分布差异过大的数据分布剔除,减少异质性数据带来的精度损失,提高了传统算法在产业链中的应用可靠性。

    面向大规模产业链隐私计算的联邦学习模型训练方法

    公开(公告)号:CN114169412B

    公开(公告)日:2024-09-06

    申请号:CN202111397160.0

    申请日:2021-11-23

    IPC分类号: G06F18/214 G06N3/098

    摘要: 本发明提供一种面向大规模产业链隐私计算的联邦学习模型训练方法。所述方法包括:由联邦学习中心服务器节点以非独立同分布为目标划分产业链业务训练数据集,并分发至多个联邦学习工人节点;联邦学习工人节点基于目标利润函数迭代训练本地模型;聚合服务器节点在聚合每个联邦学习工人节点发送的更新后的本地模型权重后,根据各个本地模型权重分布和整体本地模型权重分布,计算每个联邦学习工人节点对应的地动距离,并剔除超过预设距离阈值的联邦学习工人节点;由剩余的联邦学习工人节点继续进行模型训练。本发明在联邦学习模型训练过程中将分布差异过大的数据分布剔除,减少异质性数据带来的精度损失,提高了传统算法在产业链中的应用可靠性。

    基于联盟链的分布式身份认证方法及系统

    公开(公告)号:CN112702346B

    公开(公告)日:2024-05-10

    申请号:CN202011549865.5

    申请日:2020-12-24

    IPC分类号: H04L9/40 H04L9/08 H04L9/30

    摘要: 本发明涉及身份认证技术领域,提供了基于联盟链的分布式身份认证方法及系统,该认证方法包括,S1:用户在向企业申请服务时,提供数字身份DID及公钥;S2:企业将DID与本地备注的DID数据库进行比较;若数据库中有备注,则根据备注分析其权限;否则进入S4;S3:若权限满足,则为该用户提供服务;否则,进入S5:S4:若本地的数据库中没有备注,则与区块链网络共识,查询其权限,返回S3;S5:向用户发布失败报告,并提示用户更新信息;S6:在用户更新信息后,提供服务,并共识到区块链网络上;共识过程中采用动态权重机制,选择权重大于或等于预设值的节点来选择性广播;节点的权重与对应该节点的企业上传用户行为操作的频率呈正比,能降低网络负载。