一种面向电能量数据的联邦学习可靠性激励机制

• 作者: 王鑫 周泽宝 余芸 陈禹旭 任昊文 蒋一波 孙凌云
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 电力计量 联邦学习 区块链 激励机制 可靠性 声望模型
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 新兴分布式计算技术与系统|Novel Distributed Computing Technology and System
• 页码范围: 31-38
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.210700195

摘要

联邦学习解决了数据安全日益受到重视条件下的数据互用难题,但是传统联邦学习缺少鼓励和吸引数据拥有方参与到联邦学习中的激励机制,联邦学习审核机制的缺失给恶意节点进行破坏攻击提供了可能性.针对这个问题,文中提出基于区块链技术的面向电能量数据的可靠的联邦学习激励机制.该方法从对数据参与方的训练参与进行奖励和对数据参与方的数据可靠性进行评估两方面入手,设计算法对数据参与方的训练效果进行评估,从训练效果和训练成本等角度来确定数据参与方的贡献度,并根据贡献度来对参与方进行奖励,同时针对数据参与方的可靠性建立声望模型,根据训练效果对数据参与方的声望进行更新,藉此实现对数据参与方的可靠性评估.基于联邦学习开源框架和真实电能量数据进行算例分析,所得结果验证了所提方法的有效性.