(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210390877.0 (22)申请日 2022.04.14 (71)申请人 西安交通大 学 地址 710048 陕西省西安市碑林区咸宁西 路28号 (72)发明人 谢光武　 (74)专利代理 机构 西安睿通知识产权代理事务 所(特殊普通 合伙) 61218 专利代理师 惠文轩 (51)Int.Cl. G06N 20/20(2019.01) G06F 21/64(2013.01) G06F 21/62(2013.01) G06F 21/60(2013.01) G16H 10/60(2018.01)H04L 67/1097(2022.01) (54)发明名称 一种基于区块链医疗数据共享的联邦学习 方法 (57)摘要 本发明涉及数据安全 领域， 具体涉及一种基 于区块链医疗 数据共享的联邦 学习方法。 本发明 基于区块链特性及隐私保护手段， 完成对医疗数 据共享的同时对 联邦学习进行隐私保护， 避免联 邦学习中的医疗数据泄 露问题。 权利要求书1页 说明书4页 附图2页 CN 114912631 A 2022.08.16 CN 114912631 A 1.一种基于区块链医疗数据共享的联邦学习方法， 其特 征在于， 包括以下步骤： 步骤1， 建立区块链网络； 步骤2， 模型所有者将机器学习模型上传到区块链网络的星际文件系统IPFS， 并通过设 置区块链网络中合约层的多个智能合约组成的Orc hestrator对联邦学习流 程进行规划； 步骤3， 数据所有者从区块链网络的星际文件系 统IPFS中获取加密的自己的数据和断 点， 再对加密数据进行解密； 步骤4， 数据所有者使用解密后的数据， 根据Orchestrator规划联邦学习流程对机器学 习模型进行训练， 获得机器学习模型的训练梯度； 步骤5， 数据所有者对获得的训练梯度加上 噪声实现差分隐私， 再将训练梯度发送给安 全聚合器； 步骤6， 区块链网络的分布式不可篡改账本记录机器学习过程中的训练事件； 安全聚合 器为训练记录生成一个nonce并发送给参与训练的医疗机构， 在区块链上记录下该条训练 记录的哈希值hash(K,n once)； 步骤7， 安全聚合器对数据 所有者传输的训练梯度进行加密， 并将全部数据所有者传输 的训练梯度进行汇集， 对机器学习模型进行 更新。 2.根据权利要求1所述的基于区块链医疗数据共享的联邦学习方法， 其特征在于， 步骤 1， 具体的， 使用FISCO  BCOS区块链底层平台搭建区块链网络， 以数据拥有者作为区块链网 络节点； 设置星际文件系统IPFS(Inter ‑Planetary  File System)对医疗数据进行链下储 存。 3.根据权利要求1所述的基于区块链医疗数据共享的联邦学习方法， 其特征在于， 步骤 5中的差分隐私， 具体的， 对于一个随机化 算法M， 假如满足下式： Pr[M(x)∈s ]≤eεPr[M(y)∈s ]+δ 且对于所有的 都成立， 那么称这个算法M满足( ε, δ )差分隐私； 其中ε是单 次查询对于隐私预算的消耗； 当外界观测者在从某个数据集中获取结果时， 无法得知某个个体是否被用到， 那么说 明该数据集满足差分隐私。 4.根据权利要求1所述的基于区块链医疗数据共享的联邦学习方法， 其特征在于， 步骤 6中hash(K,nonce)的K， 具体的， 区块链网络设置两个公开的参数， 素数q和它的原根a； 设某 次训练中某个数据拥有者和安全聚合器的私钥分别为pri1,pri2， 双方计算并公开： 则得到 5.根据权利要求1所述的基于区块链医疗数据共享的联邦学习方法， 其特征在于， 步骤 7中安全聚合器对数据所有者传输的训练梯度进行加密， 具体的， 加密方式为工作者选择 worker selection， 即令安全聚合器只随机选择收集到的梯度的一部分来生成输出， 而医 疗机构无从得知自己上传的梯度是否被选中。权　利　要　求　书 1/1 页 2 CN 114912631 A 2一种基于区块链医疗数据 共享的联邦学习方 法 技术领域 [0001]本发明涉及数据安全领域， 具体涉及一种基于区块链医疗数据共享的联邦学习方 法。 背景技术 [0002]近年来的医疗改革中加强了医疗机构的信息化建设， 但在医疗数据互通互认、 数 据的安全性、 透明度和隐私保护等方面 仍存在许多问题与挑战。 [0003]近年来人工智能在医疗领域发展迅速， 在一部分场景下可以起到辅助诊断的作 用。 为了提高机器学习模型的准确度， 需要大量的数据， 所以常常需要跨组织间的数据共 享。 [0004]联邦学习通过(模型所有者)将机器学习模型分发到各个节点(数据所有者)来完 成计算， 而非把各个数据所有者的数据集中起来。 它的分类表现与本地训练相当， 并且由于 包含了更多的数据， 所以拥有了更好的通用性与泛化能力。 然而联邦学习本身不具备隐私 保护能力。 有研究表明， 逆向攻击可以从模型权重和梯度更新中， 重 建具有很高还原性的图 片。 为了在这个过程中保护病 人的隐私， 需要技术手段以同时兼顾数据的隐私性和数据的 有效性。 [0005]区块链能够基于密码学而非信任的形式， 通过去中心化方式整体参与维护一个可 靠数据库。 区块链技 术的兴起 为医疗行业的数据共享 提供了新思路。 发明内容 [0006]针对现有技术中存在的问题， 本发明的目的在于提供一种基于区块链医疗数据共 享的联邦学习方法， 基于区块链特性及隐私保护手段， 完成对医疗数据共享的同时对联邦 学习进行隐私保护， 避免联邦学习中的医疗数据泄 露问题。 [0007]为了达到上述目的， 本发明采用以下技 术方案予以实现。 [0008]一种基于区块链医疗数据共享的联邦学习方法， 包括以下步骤： [0009]步骤1， 建立区块链网络； [0010]步骤2， 模型所有者将机器学习模型上传到区块链网络的星际文件系统IPFS， 并通 过设置区块链网络中合约层的多个智能合约组成的Orchestr ator对联邦学习 流程进行规 划； [0011]步骤3， 数据所有者从区块链网络的星际文件系统IPFS中获取加密的自己的数据 和断点， 再对加密数据进行解密； [0012]步骤4， 数据所有者使用解密后的数据， 根据Orchestrator规划联邦学习流程对机 器学习模型进行训练， 获得机器学习模型的训练梯度； [0013]步骤5， 数据所有者对获得的训练梯度加上噪声实现差分隐私， 再将训练梯度发送 给安全聚合器； [0014]步骤6， 区块链网络的分布式不可篡改账本记录机器学习过程中的训练事件； 安全说　明　书 1/4 页 3 CN 114912631 A 3