一种区块链与博弈论赋能的隐私增强联邦学习方法及系统

一种区块链与博弈论赋能的隐私增强联邦学习方法及系统，涉及隐私保护技术领域。本发明为了解决具备谐波减速器数据的工业机构在使用联邦学习训练全局故障诊断模型时面临的单点故障风险、数据隐私泄露隐患及拜占庭攻击威胁等问题。技术要点：该方法首先将区块链赋能联邦学习，提出一种去中心化训练框架；其次提出一种融合中国剩余定理与shamir秘密共享技术的隐私保护方法，灵活地为参与者提供双重隐私保护；接着利用所提隐私增强方法的同态特性，防御拜占庭攻击，提升联邦学习系统的鲁棒性；最后设计一种基于博弈论的激励机制，抑制训练过程中的恶意行为，实现的各方协同安全。实验表明，与基线方案相比，BGFL的测试准确率提高0.93％‑22.75％；与所对比的基于秘密共享的联邦学习方案相比，BGFL仅以5.91％和4.01％的计算开销和通信开销即可实现安全性、鲁棒性等目标。