CN119420489A 一种基于零知识证明与区块链技术结合的梯度聚合联邦学习方法 （昆明理工大学）

一种基于零知识证明与区块链技术结合的本发明涉及一种基于零知识证明与区块链了一种安全、高效且透明的分布式学习解决方2步骤5：分布式聚合节点利用零知识简洁非交互式知识论证为聚合操作生成零知识证链网络将压缩后的零知识证明和加密全局模型广播给区块链的2.根据权利要求1所述的一种基于零知识证明与区块链技术结合的梯度聚合联邦学习scoret=p1XAccuracyt-PZXLossi-p3XTraining_Timei；3.根据权利要求1所述的一种基于零知识证明与区块链技术结合的梯度聚合联邦学习步骤3.3：在各客户端引入随机数ri对模型更新wi进行加密，生成加密模型更新;。4.根据权利要求3所述的一种基于零知识证明与区块链技术结合的梯度聚合联邦学习3r为随机生成的值；;5.根据权利要求1所述的一种基于零知识证明与区块链技术结合的梯度聚合联邦学习局模型w；6.根据权利要求1所述的一种基于零知识证明与区块链技术结合的梯度聚合联邦学习TT;;……。7.根据权利要求1所述的一种基于零知识证明与区块链技术结合的梯度聚合联邦学习各部分Ti；;4;用聚合节点的公钥验证数字签名，如果H(Enc(w))=H'(Enc(w))且签名验证成功，客户5[0006]本发明要解决的技术问题是提供一种基于零知识证明与区块链技术结合的梯度6[0011]联邦学习的每一轮开始前，系统根据客户端在历史训练[0016]Accuracy-[0022]Training_Timez=time_endy-time_starti[0026]scorei=p1XAccuracyt-PYXLOSSZ-p3XTraining_Timei[0029]将所有客户端的得分scoret由高到低排序，选择出分数最高的n个客户端参加下7[0032]设每个客户端的本地数据集表示为D;={a,b)li=1,2,3…,N}；表示数据集[0034]在训练过程成功完成后，每个节点将导出一组模型参数更新向量wi（i=0,1,[0035]使用Pedersen承诺方案得到Enc(wi)的步骤如下：[0039]对于每个本地模型更新值wi，客户端[0040]选择一个随机数ri作为承诺随机数。计算承诺值Enc(wi)=g"ixh"i模数的乘积大于零知识证明的大小。接下来，将zk_SNARK证明划分为多个部分（如8[0052]P=T(modmx)[0055]聚合节点将全局模型w及其加密版本Enc(w)传输给参与的客网络将压缩后的零知识证明p既对应的互质模数列表和Enc(w)广播给区块链的共识节点。[0057]共识节点对接收到的压缩证明使用中国剩余定理后的全局模型Enc(w)的哈希值H(Enc(w))记录到区块链上，确保数据的不可篡改性与验证的透明性，客户端读取区块链上的哈希值H(Enc(w))验证全局模型是否正确完成，并基于[0063]步骤7.3：计算所有模数的乘积M=m1xmzx..…xmk，然后对于端使用聚合节点的公钥验证数字签名，如果H(Enc(w))=H'(Enc(w))且签名验证成功，客户端确认全局模型的完整性与正确性，随后将基于本轮更新开始新一轮的本地模型训9[0086]联邦学习的每一轮开始前，系统根据客户端在历史训练[0091]Accuracy-[0097]Training_Timez=time_endy-time_starti[0101]scorei=p1XAccuracyt-PYXLOSSZ-p3XTraining_Timei[0104]将所有客户端的得分scoret由高到低排序，选择出分数最高的n个客户端参加下[0107]设每个客户端的本地数据集表示为D;={a,b)li=1,2,3…,N}[0110]对于给定的模型参数wi（i=0,1,2,……n,n为客户端数量）,假设预测值=[0119]训练优化完成后，每个客户端随机生成一个用于保证加密模型隐私性的数值ri，[0120]使用Pedersen承诺方案得到Enc(wi)的步骤如下：[0124]对于每个本地模型更新值wi，客户端[0125]选择一个随机数ri作为承诺随机数。计算承诺值Enc(wi)=g"ixh"i模数的乘积大于零知识证明的大小。接下来，将zk_SNARK证明划分为多个部分（如[0137]P=T(modmx)[0139]zk_SNARK允许在证明过程中有效地隐藏模型更新的具体细节，而验证者只需验[0141]聚合节点将全局模型w及其加密版本Enc(w)传输给参与的客网络将压缩后的证明π和Enc(w)广播给区块链的共识节点。[0143]共识节点对接收到的压缩证明使用中国剩余定理后的全局模型Enc(w)的哈希值H(Enc(w))记录到区块链上，确保数据的不可篡改性与验证的透明性。客户端读取区块链上的哈希值H(Enc(w))验证全局模型是否正确完成，并基于[0149]步骤7.3：计算所有模数的乘积M=m1xmzx..…xmk，然后对于端使用聚合节点的公钥验证数字签名，如果H(Enc(w))=H'(Enc(w))且签名验证成功，客户端确认全局模型的完整性与正确性，随后将基于本轮更新开始新一轮的本地模型训[0154]特别地，对步骤3客户端本地模型训练与加密签名的本地模型更新wi的生MSB;=((S-0)2+(11-0)2)=73。Bi=((0-5)·[1.,21+(0-11)·[3,41)=[-38,-54]。模型更新wi。