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。

    一种融合可信计算与区块链的数据可信处理方法及系统

    公开(公告)号:CN114499895B

    公开(公告)日:2022-07-29

    申请号:CN202210353338.X

    申请日:2022-04-06

    摘要: 本发明公开了一种融合可信计算与区块链的数据可信处理方法及系统,属于能源数据处理技术领域。本发明的一种融合可信计算与区块链的数据可信处理方法及系统,主要用于解决当前区块链应用过程中能源数据上链前的能源数据信任问题以及业务计算的环境可信问题。针对上链能源数据可信问题,从物联网采集端或者是物联网能源数据采集平台两方面出发,采用可信计算技术与区块链技术融合的方法,通过可信计算嵌入物联网采集设备、预言机、链上链下能源数据可信校验模型,实现对能源数据收集、传输、存储过程的可信,结合可信计算的安全监控,确保能源数据采集可信。针对业务计算环境问题,本发明提出了一种结合可信计算和状态通道的计算架构,实现能源数据在隐私保护的情况下开展业务计算。