一种能源区块链的联邦学习系统和激励方法

1.一种基于博弈的能源区块链联邦学习激励方法，其特征在于，包括以下步骤：步骤1：建立博弈模型，根据博弈模型设计激励方法，并证明纳什均衡的存在性，然后将激励方法编写成激励智能合约部署在能源区块链上；步骤2，任务发布方在能源区块链上发布联邦学习模型训练任务，并将任务的初始模型上传到能源区块链上，供能源部门下载训练；步骤3，参与训练的能源部门从区块链下载任务的初始模型，然后使用本地的能源隐私数据训练模型，能源部门使用同态加密算法对训练后的模型进行加密，并上传至区块链，然后将训练成本信息发送给智能合约；步骤4：委员会成员从区块链下载各能源部门上传的加密模型，对这些模型进行检查，并将可验证的检查计算证明上传至区块链，然后将检查结果与检查成本信息发送给智能合约；步骤5：委员会成员在去除异常模型后对模型进行聚合，并协同解密汇总的模型，解密后的模型就是联邦学习本轮迭代后训练出的更新模型，然后将更新模型上传到区块链，供能源部门下载、迭代训练；步骤6：部署在能源区块链上的智能合约实施激励方法，包括计算联邦学习各参与者本轮迭代中采取的恶意行为数量，计算各参与者在本轮迭代的罚金；步骤6.1：智能合约根据委员会成员发送过来的检查结果，计算各能源部门在此次联邦学习中发起投毒攻击的次数θ i ；智能合约根据委员会成员发送至区块链的可验证的检查计算证明，计算各委员会成员在此次联邦学习中发起欺骗攻击的次数μ j ；智能合约根据区块链上已有更新模型的数量，计算本次联邦学习进行的轮数T；步骤6.2：智能合约计算此次联邦学习中所有投毒攻击的次数θ，并根据这个次数计算出激励系数δ n ，其中 步骤6.3：智能合约针对发起投毒攻击的能源部门和发起欺骗攻击的委员会成员分别计算本轮的罚金f i,n 和f j,n ，其中f i,n ＝(δ n -acc)*p i,n /(acc*num n )，f j,n ＝q j,n +s j,n ，其中acc是模型检查算法的准确度，p i,n 是能源部门本轮应得的奖励，num n 是本轮进行模型检查的委员会成员数量，q j,n 是委员会成员本轮应得的奖励，s j,n 是委员会成员本轮进行模型检查的计算成本；步骤7：参与训练的能源部门从区块链下载任务的更新模型，进行联邦学习模型的迭代训练，直到委员会汇总的更新模型的损失函数收敛，该轮更新模型就是最终训练模型；步骤8：任务发布方从区块链下载最终训练模型；步骤9：部署在能源区块链上的智能合约实施激励方法，计算各参与者在本次联邦学习中获得的奖励；步骤9.1：联邦学习结束，智能合约计算各能源部门获得的最终奖励p i ，其中p i ＝[(T-θ i )/T]*P，其中T是联邦学习进行的轮数，θ i 是该能源部门进行恶意行为的次数，P是任务发布方设定的能源部门应得奖励；步骤9.2：智能合约计算各委员会成员获得的最终奖励q j ，其中q j ＝[(T-μ j )/T]*Q，其中T是联邦学习进行的轮数，μ j 是该委员会成员进行恶意行为的次数，Q是任务发布方设定的委员会成员应得奖励；步骤9.3：如果参与者在此次联邦学习中没有进行恶意行为，即没有进行投毒攻击或者欺骗攻击，那么智能合约将向该参与者发送任务发布方设定的额外诚实奖励w。 2.一种用于执行权利要求1所述的方法的基于博弈的能源区块链联邦学习系统，其特征在于，所述基于博弈的能源区块链联邦学习系统包括：能源区块链，将联盟链作为底层区块链技术，用于能源数据共享和分布式电力交易，使用联邦学习技术实现能源数据的隐私计算，同时，通过部署在链上的激励智能合约运行基于博弈的协作安全激励方法；任务发布方，负责发布能源区块链的联邦学习任务，通过能源区块链上传初始化的训练模型，以及从能源区块链下载最终的训练模型；能源部门，负责从能源区块链下载初始模型，使用本地的能源隐私数据对初始模型进行迭代训练，并将训练后的模型同态加密后上传至能源区块链，以及将本轮的训练信息发送给激励智能合约，但是能源部门可能为追求额外利益而进行投毒攻击；委员会，负责检查能源部门上传的模型是否安全，并将本轮的检查结果与计算信息发送给智能合约，以及进行模型的聚合与解密，但是能源部门可能为节省计算成本而进行欺骗攻击；激励智能合约，负责根据本轮的检查结果与计算信息判断各能源部门与委员会成员是否存在恶意行为，并根据审查结果计算并实施奖惩策略；其中，任务发布方、能源部门与委员会通过能源区块链进行联邦学习交互，链上的激励智能合约激励能源部门与委员会展现诚实行为，使以能源部门与委员会成员为参与者构建的博弈模型存在各联邦学习参与者安全协作的纳什均衡。 3.如权利要求2所述基于博弈的能源区块链联邦学习系统，其特征在于，所述博弈模型包括：1)纯策略博弈模型参与人：能源区块链环境下的能源部门e i ∈E，E是所有能源部门组成的集合；委员会成员c j ∈C，C是所有委员会成员组成的集合；策略集：能源部门的策略集是 其中策略0表示该能源部门在本轮进行投毒攻击，策略1表示该能源部门在本轮正常训练模型；委员会成员的策略集是 其中策略0表示该委员会成员在本轮不检查模型并生成虚假的检查计算证明，策略1表示该委员会成员在本轮正常检查模型；收益：能源部门的收益是 表示该能源部门在自己策略和委员会成员策略影响下的收益；委员会成员的收益是 表示该委员会成员在自己策略和能源部门策略影响下的收益；该博弈模型对应的纯策略纳什均衡如下，在第n轮迭代中，能源部门e i 存在策略集 E是符合均衡条件的能源部门组成的集合，且委员会成员c j 存在策略集 C是符合均衡条件的委员会成员组成的集合，使：2)混合策略博弈模型参与人：能源区块链环境下的能源部门e i ∈E，E是所有能源部门组成的集合；委员会成员c j ∈C，C是所有委员会成员组成的集合；策略集：能源部门的策略集是 同时能源部门e i 有概率u i,n ∈[0,1]选择正常训练；委员会成员的策略集是 同时委员会成员c j 有概率v j,n ∈[0,1]正常进行模型检查；收益：根据冯诺依曼-摩根斯坦公理，能源部门e i 的期望收益 与委员会成员c j 的期望收益ω j,n 为：其中 与 分别表示能源部门e i 正常训练与恶意行为的期望收益， 与 分别表示委员会成员c j 检查与不检查的期望收益；该博弈模型对应的混合策略纳什均衡如下，在第n轮迭代中，能源部门e i 存在策略集 E是符合均衡条件的能源部门组成的集合，且委员会成员c j 存在策略集 C是符合均衡条件的委员会成员组成的集合，使：