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

来源：计算机工程, 2023, 1-11.

DOI：10.19678/j.issn.1000-3428.0067954

• 数据交易
• 联邦学习
• 区块链
• 激励机制
• 通信优化

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，提出了一种基于联邦学习的多技术融合数据交易方法（MTFDT）。该方法中通过结合可信执行环境与沙普利值进行了激励机制设计，并对交易过程中模型数据同步机制进行了优化，提出了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，设计了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。最后，基于公开数据集进行了仿真对比，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了34%且对带宽要求更低，进一步验证了所提出方案在数据交易场景中应用的有效性。

• 单位
  中山大学; 海南师范大学