一种联邦学习系统、方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种联邦学习系统、方法、装置、设备及存储介质。


背景技术：

2.联邦学习作为分布式的机器学习方式，可以有效解决数据孤岛问题，让参与方在不共享样本数据的基础上联合建模，从技术上打破数据孤岛，实现协作建模。
3.如图1所示，现有的联邦学习有三大构成要素：数据源、中央服务器和参与方。中央服务器先为各参与方提供初始模型，各参与方训练自己所拥有的数据，将得到的本地模型上传给中央服务器，中央服务器基于各参与方上传的本地模型进行模型参数融合得到新的初始模型之后再分发给各参与方，不断迭代训练初始模型直至初始模型收敛。
4.但是，现有的联邦学习存在一些问题。例如联邦学习的关键在于模型的融合，模型参数融合过程中必然涉及到模型参数的传输，在传输过程中可能泄露隐私数据，需要复杂的加密算法模块和冗余的通信模块，导致联邦学习的流程复杂且效率低。


技术实现要素：

5.本发明提供了一种联邦学习系统、方法、装置、设备及存储介质，以解决现有联邦学习系统需要复杂的加密算法模块和冗余的通信模块，导致联邦学习的流程复杂且效率低的问题，降低联邦学习的复杂度，提高联邦学习的效率。
6.根据本发明的一方面，提供了一种联邦学习系统，包括：多个终端设备，各所述终端设备均具备可信执行环境，拥有初始模型的一个终端设备作为主动方，未拥有初始模型的各终端设备分别作为参与方；
7.所述主动方用于向各所述参与方发送初始模型，并基于第一训练样本对所述初始模型进行模型训练得到第一训练模型；
8.各所述参与方分别用于接收所述主动方发送的初始模型，基于第二训练样本集对所述初始模型进行模型训练得到第二训练模型，将所述第二训练模型发送到所述主动方；
9.所述主动方还用于基于所述第一训练模型和各所述第二训练模型进行模型参数融合并更新所述初始模型的参数，将更新后的初始模型发送至各所述参与方，以使各所述参与方分别返回接收所述主动方发送的初始模型的步骤，直到模型训练结束；将模型训练得到的目标模型发送至各参与方。
10.根据本发明的另一方面，提供了一种联邦学习方法，应用于联邦学习系统中作为主动方的终端设备，所述方法包括：
11.向各参与方分别发送初始模型，并基于第一训练样本集对所述初始模型进行模型训练得到第一训练模型；
12.接收各所述参与方发送的第二训练模型，所述第二训练模型为所述参与方基于第二训练样本集对所述初始模型进行模型训练得到；
13.基于所述第一训练模型和所述第二训练模型进行模型参数融合并更新所述初始模型的参数，将更新后的初始模型发送至各所述参与方，以使各所述参与方分别返回接收所述主动方发送的初始模型的步骤，直到模型训练结束；
14.将模型训练得到的目标模型发送至各所述参与方。
15.根据本发明的另一方面，提供了一种联邦学习方法，应用于联邦学习系统中作为参与方的终端设备，所述方法包括：
16.接收主动方发送的初始模型，基于第二训练样本集对所述初始模型进行模型训练得到第二训练模型；
17.将所述第二训练模型发送到所述主动方，以使所述主动方基于第一训练模型和各所述参与方发送的所述第二训练模型进行模型参数融合并更新所述初始模型的参数，将更新后的初始模型发送至各所述参与方；所述第一训练模型为所述主动方基于第一训练样本集对所述初始模型进行模型训练得到；
18.返回接收所述主动方发送的初始模型的步骤，直到模型训练结束。
19.根据本发明的另一方面，提供了一种联邦学习装置，集成于联邦学习系统中作为主动方的终端设备，所述装置包括：
20.第一发送模块，用于向各参与方分别发送初始模型，并基于第一训练样本集对所述初始模型进行模型训练得到第一训练模型；
21.接收模块，接收各所述参与方发送的第二训练模型，所述第二训练模型为各所述参与方分别基于第二训练样本集对所述初始模型进行模型训练得到；
22.融合模块，用于基于所述第一训练模型和各所述第二训练模型进行模型参数融合并更新所述初始模型的参数，将更新后的初始模型发送至各所述参与方，以使各所述参与方分别返回接收所述主动方发送的初始模型的步骤，直到模型训练结束；
23.第二发送模块，用于将模型训练得到的目标模型发送至各所述参与方。
24.根据本发明的另一方面，提供了一种联邦学习装置，集成于联邦学习系统中作为参与方的终端设备，所述装置包括：
25.第一接收模块，用于接收主动方发送的初始模型，基于第二训练样本集对所述初始模型进行模型训练得到第二训练模型；
26.发送模块，用于将所述第二训练模型发送到所述主动方，以使所述主动方基于第一训练模型和各所述参与方发送的所述第二训练模型进行模型参数融合并更新所述初始模型的参数，将更新后的初始模型发送至各所述参与方；所述第一训练模型为所述主动方基于第一训练样本集对所述初始模型进行模型训练得到；
27.第二接收模块，用于返回接收所述主动方发送的初始模型的步骤，直到模型训练结束。
28.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
29.至少一个处理器；以及
30.与所述至少一个处理器通信连接的存储器；其中，
31.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的联邦学习方法。
32.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的联邦学习方法。
33.本发明实施例提供的一种联邦学习系统，包括：多个终端设备，各终端设备均具备可信执行环境，拥有初始模型的一个终端设备作为主动方，未拥有初始模型的各终端设备分别作为参与方；主动方用于向各参与方分别发送初始模型，并基于第一训练样本对初始模型进行模型训练得到第一训练模型；各参与方分别用于接收主动方发送的初始模型，基于第二训练样本集对初始模型进行模型训练得到第二训练模型，将第二训练模型发送到主动方；主动方还用于基于第一训练模型和各第二训练模型进行模型参数融合并更新初始模型的参数，将更新后的初始模型发送至各参与方，以使各参与方分别返回接收主动方发送的初始模型的步骤，直到模型训练结束；将模型训练得到的目标模型发送至各参与方，解决了现有联邦学习系统需要复杂的加密算法模块和冗余的通信模块，导致联邦学习的流程复杂且效率低问题，取到了降低联邦学习的复杂度，提高联邦学习的效率的有益效果。
34.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
35.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
36.图1是现有联邦学习系统的结构示意图；
37.图2是根据本发明实施例一提供的一种联邦学习系统的结构示意图；
38.图3是根据本发明实施例二提供的一种联邦学习方法的流程图；
39.图4是根据本发明实施例三提供的一种联邦学习方法的流程图；
40.图5是根据本发明实施例四提供的一种联邦学习装置的结构示意图；
41.图6是根据本发明实施例四提供的一种联邦学习装置的结构示意图；
42.图7是实现本发明实施例的联邦学习方法的电子设备的结构示意图。
具体实施方式
43.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
44.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆
盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
45.实施例一
46.图2为本发明实施例一提供了一种联邦学习系统的结构示意图，本实施例可适用于实现模型的联邦学习的情况。如图2所示，该联邦学习系统包括：多个终端设备，各终端设备均具备可信执行环境，拥有初始模型的一个终端设备作为主动方，未拥有初始模型的各终端设备分别作为参与方；
47.主动方用于向各参与方分别发送初始模型，并基于第一训练样本集对初始模型进行模型训练得到第一训练模型；
48.各参与方分别用于接收主动方发送的初始模型，基于第二训练样本集对初始模型进行模型训练得到第二训练模型，将第二训练模型发送到主动方；
49.主动方还用于基于第一训练模型和各第二训练模型进行模型参数融合并更新初始模型的参数，将更新后的初始模型发送至各参与方，以使各参与方分别返回接收主动方发送的初始模型的步骤，直到模型训练结束；将模型训练得到的目标模型发送至各参与方。
50.其中，可信执行环境(trusted execution environment，tee)，通过软硬件方法在设备中构建一个安全区域，保证其内部加载的程序和数据在机密性和完整性上得到保护。其原理是将设备的硬件和软件资源划分为两个执行环境，即可信执行环境和普通执行环境。两个环境是安全隔离的，有独立的内部数据通路和计算所需存储空间。普通执行环境的应用程序无法访问tee，即使在tee内部，多个应用的运行也是相互独立的，不能无授权而互访。常见的提供可信执行环境的平台有软件保护扩展(software guard extension，sgx)。
51.sgx是intel在原有架构上增加的一组新的指令集和内存访问机制，进而允许用户实现基于安全容器来保护代码和数据，免受特权攻击。具体实现方式为将合法软件的安全操作封装在一个安全容器中，保护其不受恶意软件的攻击，特权或非特权的软件都无法访问安全容器，一旦软件和数据位于安全容器中，可以在bios、虚拟机监控器、主操作系统和驱动程序均被恶意代码攻陷的情况下，仍对安全容器内的代码和内存数据提供保护，防止恶意软件影响安全容器内的代码和数据，从而保障用户的关键代码和数据的机密性和完整性。使用安全容器可以使程序具有保护自己隐私信息的能力，即使系统的其余部分均被攻击，该隐私信息也不会泄露。
52.具体的，联邦学习系统包括多个终端设备，每个终端设备均具有可信执行环境，以保证各终端设备所拥有数据的隐私性。其中，在各终端设备中的一个终端设备拥有初始模型，该终端设备作为联邦学习系统的主动方，其余未拥有初始模型的各终端设备分别作为参与方。主动方用于向初始模型发送至各参与方，以使各参与方基于本地的第二样本数据集进行模型训练得到第二训练模型，同时基于本地的第一样本数据集对初始模型进行训练得到第一训练模型；主动方也可以用于接收各参与方发送的第二训练模型，融合第一训练模型和第二训练模型并更新初始模型，将更新后的初始模型发送至各参与方，以使各参与方返回接收初始模型的步骤。通过循环执行各终端设备的模型训练以及主动方的模型参数融合，最终得到训练完成的目标模型。
53.示例性的，主动方所拥有的初始模型为待训练的模型。该初始模型可以是在作为
主动方的终端设备上所建立的模型，也可以是由第三方建立并直接上传到作为主动方的终端设备中。
54.在现有技术中，如图1所示，由中央服务器负责向各参与方分别发送初始模型，并基于接收到的各参与方发送的训练模型进行模型参数融合和模型参数更新，将更新后的模型返回到各参与方，各参与方开始下一次的迭代。在各参与方向中央服务器发送训练模型的过程中。
55.本发明实施例所提供的联邦学习系统，从各终端设备中确定未拥有初始模型的终端设备作为参与方，确定拥有初始模型的终端设备作为主动方，该主动方同时担任中央服务器和参与方的责任，无需终端设备之外的中央服务器，节省了硬件资源。同时，各终端设备均具备可信执行环境，因此，联邦学习过程中使用的敏感信息以及关于敏感信息的计算过程可以在可信任环境中执行，保障了数据的不可篡改性和安全性。
56.为了保障信息传输的安全性，在现有技术中通常使用同态加密和添加掩码噪声的方式对模型参数进行加密，将模型发送到中央服务器之后，再对加密训练模型进行解密还原并执行融合操作。加密和解密过程会消耗大量的计算资源。
57.为了解决上述问题，在上述实施例的基础上，在主动方和各参与方之间建立安全通信通道，主动方和各参与方通过安全通信通道进行信息交互，可以避免对模型参数进行复杂的加密，降低消耗的计算资源。在主动方和各参与方之间建立安全通信通道的具体实现方式如下。
58.在一个具体的实施例中，作为主动方的终端设备用于：
59.在向各参与方分别发送初始模型之前，向各参与方分别发送认证请求，并分别接收各参与方在接收到认证请求后反馈的第一认证信息，基于各第一认证信息认证作为参与方的各终端设备具备可信执行环境；
60.向各参与方分别发送第二认证信息，以使各参与方分别认证作为主动方的终端设备具备可信执行环境；
61.分别建立作为主动方的终端设备与各作为参与方的终端设备之间的安全通信通道，以使主动方与各参与方基于安全通信通道进行信息交互。
62.其中，认证请求用于请求认证终端设备是否具备可信执行环境中。认证信息可以包括终端设备的身份信息、以及终端设备的信息是否被篡改以及终端设备是否具备可信执行环境，认证信息例如可以是认证证书。第一认证信息为参与方的认证信息，第二认证信息为主动方的认证信息。
63.具体的，作为主动方的终端设备在向作为参与方的各终端设备发送初始模型模型之前，先向各参与方分别发送认证请求；各参与方在收到主动方发送的认证请求之后，获取参与方自身的第一认证信息并将第一认证信息发送到主动方，主动方基于第一认证信息认证作为参与方的各终端设备具备可信执行环境。同时，主动方还需要向各参与方分别发送主动方的第二认证信息，以使各参与方根据主动方的第二认证信息认证主动方具备可信执行环境。
64.在主动方和各参与方之间相互认证对方具备可信执行环境之后，主动方分别建立作为主动方的终端设备与各作为参与方的终端设备之间的安全通信通道，以使主动方与各参与方可以基于安全通信通道进行信息交互，达到即使不对传输的模型参数进行复杂的加
密也可以保障模型参数在传输过程中的安全性，降低因复杂的加密和解密过程所消耗的计算资源，提升模型训练的效率。
65.示例性的，主动方通过安全通信通道向各参与方分别发送初始模型以及更新的初始模型，各参与方分别通过各自与主动方之间的安全通信通道向主动方发送第二训练模型。
66.由于多个终端设备拥有的样本数据集并非完全重合，需要在不公开各自数据的前提下确认双方的共有样本，以便联合这些共有样本的特征进行建模。现有技术中通常对终端设备的样本数据集进行加密后发送到中央服务器，由中央服务器确定各终端设备的加密样本数据集的交集确定对齐结果，将对齐结果反馈到各终端设备。对样本数据集的加密过程和传输过程都需要占用大量的资源。
67.为了解决上述问题，在上述实施例基础上，各终端设备分别还用于：
68.分别向联邦学习系统中除本地终端设备之外的远程终端设备发送本地所拥有样本数据集的数据量，并接收联邦学习系统中的各远程终端设备发送的所拥有样本数据集的数据量；
69.判断本地终端设备是否为联邦学习系统中拥有样本数据集的数据量最多的终端设备；
70.若否，则本地终端设备确定为数据发送方，以向数据接收方发送样本数据集；
71.若是，则本地终端设备确定为数据接收方，以根据接收到的数据发送方发送的样本数据集确定各终端设备的训练样本集。
72.其中，本地终端设备表示终端设备自身，远程终端设备表示联邦学习系统中除自身之外的其他终端设备。
73.具体的，各终端设备分别向联邦学习系统中除本地终端设备之外的远程终端设备发送本地终端设备所拥有样本数据集的数据量，并接收联邦学习系统中各远程终端设备发送的各远程终端设备分别所拥有样本数据集的数据量；各终端设备可以通过比较本地所拥有的样本数据集的数据量以及各远程终端设备分别所拥有的样本数据集的数据量，确定本地终端设备是数据接收方或数据发送方。具体确定原则是若本地终端设备所拥有样本数据集的数据量是最多的，则本地终端设备作为数据接收方，若本地终端设备所拥有样本数据集的数据量不是最多的，则本地终端设备确定为数据发送方。通过上述确定原则，每个终端设备均可以确定自身是数据发送方还是数据接收方，其中，数据接收方的数量只有一个，数据发送方的数量可以有多个。数据发送方用于向数据接收方发送样本数据集，数据接收方用于接收各数据发送方发送的样本数据集，确定各终端设备的对齐样本。
74.通过比较本地终端设备与远程终端设备所拥有样本数据集的数据量，确定所拥有样本数据集的数据量最多的终端设备确定为数据接收方，接收数据发送方发送的样本数据集，可以减少样本数据集的传输数据量，降低传输消耗的资源。
75.可选的，作为数据发送方的各终端设备分别用于：
76.获取所拥有样本数据集的第一样本标识集；
77.将所述第一样本标识集发送至作为数据接收方的终端设备。
78.相应的，作为数据接收方的终端设备用于：
79.接收各数据发送方分别发送的第一样本标识集，并获取本地终端设备所拥有样本
数据集的第二样本标识集；
80.将各第一样本标识集和第二样本标识集的交集确定为各终端设备的对齐样本标识集；
81.确定本地终端设备所拥有样本数据集中对齐样本标识集对应的第一训练样本集；
82.将对齐样本标识集分别发送至各数据发送方，以使各数据发送方分别确定所拥有样本数据集中所述对齐样本标识集对应的第二训练样本集。
83.其中，样本标识集为样本数据集中每个的样本数据的样本标识所构成的数据集；样本标识可以是各终端设备所拥有样本数据的主键值，如样本id等，一般可以为用户的姓名或者身份证号，或者物品的序列号等；样本标识集可以是样本数据集中的样本标识列构成的集合。第一样本标识集为数据发送方所拥有样本数据集的样本标识集，第二样本标识集为数据接收方所拥有样本数据集的样本标识集。
84.具体的，作为数据发送方的各终端设备分别将所拥有样本数据集的样本标识集发送至作为数据接收方的终端设备，作为数据接收方的终端设备接收各数据发送方分别发送的第一样本标识集，并获取本地终端设备所拥有样本数据集和第二样本标识集，确定各第一样本标识集和所述第二样本标识的交集，将交集确定为各终端设备的对齐样本标识集，将对齐样本标识集发送到各数据发送方，各数据方发送方分别将所拥有样本数据集中对齐样本标识集对应的数据集作为第二训练样本集。各数据发送方在接收到所述数据接收方反馈的对齐样本标识集之后，将所拥有样本数据集中对齐样本标识集对应的数据集作为第一训练样本集。
85.本发明实施例对齐样本的过程中，无需将各终端设备拥有的样本数据集经过复杂的加密方式集中到中央服务器或者数据接收方，只需将样本数据集中的样本标识集发送到数据接收方就可以确定各终端设备的对齐样本，实现无需复杂的加密算法也可以保证数据安全性，大大简化了现有联邦学习的流程，提高了学习效率。
86.实施例二
87.图3为本发明实施例二提供了一种联邦学习方法的流程图，本实施例可适用于实现模型的联邦学习情况，该方法可以由联邦学习装置来执行，该联邦学习装置可以采用硬件和/或软件的形式实现，该联邦学习装置可配置于联邦学习系统中作为主动方的终端设备。如图3所示，该方法包括：
88.s210、向各参与方分别发送初始模型，并基于第一训练样本集对初始模型进行模型训练得到第一训练模型。
89.其中，初始模型为待训练的模型。获取初始模型的方法可以是作为主动方的终端设备从第三端获取初始模型，也可以是直接在作为主动方的终端设备中所建立的初始模型。
90.具体的，作为主动方的终端设备向作为参与方的各终端设备分别发送初始模型，并基于主动方所拥有的第一训练样本集对初始模型进行模型训练得到第一训练模型。
91.示例性的，基于主动方所拥有的第一训练样本集对初始模型进行模型训练的方法可以采用任意的现有模型训练方法，本发明实施例对此不进行限制。
92.s220、接收各参与方发送的第二训练模型，第二训练模型为参与方基于第二训练样本集对初始模型进行模型训练得到。
93.具体的，各作为参与方的终端设备基于所拥有的第二训练样本集对结合到的主动方发送的初始模型进行模型训练得到第二训练模型，降低而训练模型发送的主动方，主动方接收各参与方发送的第二训练模型。
94.s230、基于第一训练模型和第二训练模型进行模型参数融合并更新初始模型的参数，将更新后的初始模型发送至各参与方，以使各参与方分别返回接收主动方发送的初始模型的步骤，直到模型训练结束。
95.具体的，主动方基于本地训练得到的第一训练模型以及各参与方训练得到的第二训练模型进行模型参数融合，并基于融合后的模型参数更新初始模型的参数，将更新后的初始模型发送至各参与方。各参与方在接收到更新后的初始模型后，继续基于第二训练样本集对更新后的初始模型进行训练并发送到主动方，迭代执行上述过程直到模型训练结束。
96.示例性的，可以当模型收敛时结束模型训练；也可以在训练次数达到预设次数时结束模型训练，模型训练结束可以根据实际需求确定，本发明实施例对此不设限制。
97.s240、将模型训练得到的目标模型发送至各参与方。
98.具体的，将模型训练得到的目标模型发送至各参与方，以使各参与方使用该模型。
99.本发明实施例的技术方案，通过主动方向各参与方分别发送初始模型，并基于第一训练样本集对初始模型进行模型训练得到第一训练模型；接收各参与方发送的第二训练模型，第二训练模型为参与方基于第二训练样本集对初始模型进行模型训练得到；基于第一训练模型和第二训练模型进行模型参数融合并更新初始模型的参数，将更新后的初始模型发送至各参与方，以使各参与方分别返回接收主动方发送的初始模型的步骤，直到模型训练结束；将模型训练得到的目标模型发送至各参与方，降低了联邦学习的复杂度，简化了联邦学习的流程，提高了联邦学习的效率。
100.实施例三
101.图4为本发明实施例三提供了一种联邦学习方法的流程图，本实施例可适用于实现模型的联邦学习情况，该方法可以由联邦学习装置来执行，该联邦学习装置可以采用硬件和/或软件的形式实现，该联邦学习装置可配置于联邦学习系统中作为参与方的终端设备。如图4所示，该方法包括：
102.s310、接收主动方发送的初始模型，基于第二训练样本集对初始模型进行模型训练得到第二训练模型。
103.具体的，作为主动方的终端设备向作为参与方的各终端设备分别发送初始模型，作为参与方的各终端设备接收主动方发送的初始模型，基于所拥有的第二训练样本集对初始模型进行模型训练得到第二训练模型。
104.s320、将第二训练模型发送到主动方，以使主动方基于第一训练模型和各参与方发送的第二训练模型进行模型参数融合并更新初始模型的参数，将更新后的初始模型发送至各参与方；第一训练模型为主动方基于第一训练样本集对初始模型进行模型训练得到。
105.具体的，作为参与方的各终端设备将训练得到的第二训练模型发送到主动方，主动方基于本地训练得到的第一训练模型以及各参与方训练得到的第二训练模型进行模型参数融合，并基于融合后的模型参数更新初始模型的参数，将更新后的初始模型发送至各参与方。
106.s330、返回接收主动方发送的初始模型的步骤，直到模型训练结束。
107.各参与方在接收到更新后的初始模型后，继续基于第二训练样本集对更新后的初始模型进行训练并发送到主动方，迭代执行上述过程直到模型训练结束。
108.本发明实施例的技术方案，通过参与方接收主动方发送的初始模型，基于第二训练样本集对初始模型进行模型训练得到第二训练模型；将第二训练模型发送到主动方，以使主动方基于第一训练模型和各参与方发送的第二训练模型进行模型参数融合并更新初始模型的参数，将更新后的初始模型发送至各参与方；第一训练模型为主动方基于第一训练样本集对初始模型进行模型训练得到；返回接收主动方发送的初始模型的步骤，直到模型训练结束，降低了联邦学习的复杂度，简化了联邦学习的流程，提高了联邦学习的效率。
109.实施例四
110.图5为本发明实施例四提供的一种联邦学习装置的结构示意图。如图5所示，该装置包括：第一发送模块410、接收模块420、融合模块430和第二发送模块440；
111.其中，第一发送模块410，用于向各参与方分别发送初始模型，并基于第一训练样本集对所述初始模型进行模型训练得到第一训练模型；
112.接收模块420，接收各所述参与方发送的第二训练模型，所述第二训练模型为各所述参与方分别基于第二训练样本集对所述初始模型进行模型训练得到；
113.融合模块430，用于基于所述第一训练模型和各所述第二训练模型进行模型参数融合并更新所述初始模型的参数，将更新后的初始模型发送至各所述参与方，以使各所述参与方分别返回接收所述主动方发送的初始模型的步骤，直到模型训练结束；
114.第二发送模块440，用于将模型训练得到的目标模型发送至各所述参与方。
115.本发明实施例所提供的联邦学习装置可执行本发明任意实施例所提供的联邦学习方法，具备执行方法相应的功能模块和有益效果。
116.实施例五
117.图6为本发明实施例五提供的一种联邦学习装置的结构示意图。如图6所示，该装置包括：第一接收模块510、发送模块520和第二接收模块530；
118.第一接收模块510，用于接收主动方发送的初始模型，基于第二训练样本集对所述初始模型进行模型训练得到第二训练模型；
119.发送模块520，用于将所述第二训练模型发送到所述主动方，以使所述主动方基于第一训练模型和各所述参与方发送的所述第二训练模型进行模型参数融合并更新所述初始模型的参数，将更新后的初始模型发送至各所述参与方；所述第一训练模型为所述主动方基于第一训练样本集对所述初始模型进行模型训练得到；
120.第二接收模块530，用于返回接收所述主动方发送的初始模型的步骤，直到模型训练结束。
121.本发明实施例所提供的联邦学习装置可执行本发明任意实施例所提供的联邦学习方法，具备执行方法相应的功能模块和有益效果。
122.实施例六
123.图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形
式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
124.如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
125.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
126.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如联邦学习方法。
127.在一些实施例中，联邦学习方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的联邦学习方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行联邦学习方法。
128.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
129.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
130.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算
机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
131.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
132.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
133.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
134.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
135.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。