计算机工程

作者：刘少杰, 文斌, 王泽旭

单位：1. 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 5711582. 海南师范大学信息科学技术学院, 海南 海口 5711583. 中山大学软件工程学院, 广东 珠海 519082

关键词：数据交易,联邦学习,区块链,激励机制,通信优化

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

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。

来源：2024年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第3期