基于联邦学习的多技术融合数据交易方法

作     者：刘少杰 文斌 王泽旭 LIU Shaojie;WEN Bin;WANG Zexu

作者机构：海南师范大学数据科学与智慧教育教育部重点实验室海南海口571158 海南师范大学信息科学技术学院海南海口571158 中山大学软件工程学院广东珠海519082 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2024年第50卷第3期

页      面：182-190页

学科分类：08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62362029) 海南省自然科学基金(623RC485,620RC605) 海南省研究生创新科研课题(Qhys2021-306) 

主　　题：数据交易 联邦学习 区块链 激励机制 通信优化 

摘      要：数据保护的约束使得数据被限制在不同企业和组织之间,形成了众多“数据孤岛,难以发挥其蕴含的重要价值。联邦学习的出现使得数据在组织之间共享成为可能,但利益分配方案不明确、通信成本高、中心化等问题使其难以满足数据交易场景的多方位需求。针对这些问题,提出一种基于联邦学习的多技术融合数据交易方法(MTFDT)。通过结合可信执行环境与沙普利值进行激励机制设计,并对交易过程中模型数据同步机制进行优化,提出一种基于树型拓扑结构的模型同步方案,使得同步时间复杂度由线性级降低至对数级。同时,设计基于区块链的利益分配数据和模型数据存储方案,使得交易过程信息不可篡改并能够通过溯源的方式进行追责。基于公开数据集进行仿真对比,实验结果表明,MTFDT能够实现模型训练效果的精确评估,提高利益分配的公平性,相比已有方案,模型同步时间消耗最多减少34%且对带宽要求更低。