买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种基于联盟链联邦学习的隐私保护方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115952532B 。

龙图腾网通过国家知识产权局官网在2025-11-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211319825.0，技术领域涉及：G06F21/62；该发明授权一种基于联盟链联邦学习的隐私保护方法是由盖珂珂;王烁;祝烈煌设计研发完成，并于2022-10-26向国家知识产权局提交的专利申请。

本一种基于联盟链联邦学习的隐私保护方法在说明书摘要公布了：本发明涉及一种基于联盟链联邦学习的隐私保护方法，属于联邦学习隐私保护技术领域。本发明通过自适应差分隐私技术，根据数据特征与模型的相关性添加满足差分隐私的自适应拉普拉斯噪声，在保护数据隐私的情况下尽量降低模型准确率降低。通过联盟链技术，进一步实现了分布式的联邦学习隐私保护方案来解决单点故障问题。本方法具有较好的隐私保护和训练模型准确率的性能。本方法采用自适应差分隐私技术，在局部模型训练的过程中添加满足差分隐私的自适应噪声，在保障客户端数据隐私的情况下保障了模型训练的准确性，解决了传统联邦学习隐私保护方案面临的中心化问题，增强了系统的隐私保护性能。

本发明授权一种基于联盟链联邦学习的隐私保护方法在权利要求书中公布了：1.一种基于联盟链联邦学习的隐私保护方法，其特征在于，包括以下步骤： 步骤1：系统初始化，包括联邦学习初始全局模型上传、客户端注册； 步骤2：选择联盟链中的领导节点； 其中，领导节点作为共识节点工作的代表，在DBFT中生成和验证块数据；从代表中随机选择一名委托共识节点作为当前共识轮的领导共识节点，其余代表在共识过程中充当追随者； 步骤3：训练基于自适应差分隐私的联邦学习本地模型； 步骤3包括以下步骤： 步骤3.1：本地客户端从联盟链下载初始全局训练模型； 步骤3.2：本地客户端采用层级相关传播算法，计算数据集与全局训练模型的相关性R； 步骤3.3：本地客户端使用相关性R和分层差分隐私神经网络，进行模型训练，得到局部最优训练模型参数W； 步骤3.3包含以下步骤： 步骤3.3.1：设当前有n个客户端参与第t轮模型训练的迭代学习的过程，1≤n≤N'，N'表示参与联邦学习的客户端的总数量；其中，客户端i在本地训练得到模型参数为wit，服务器得到的模型训练参数为：αi表示客户端i参与第t轮模型训练的参与率，简化表示为α1＝α2＝...＝αn＝α； 步骤3.3.2：深度学习神经元h∈h0的仿射变换表示为：xi表示数据集D中的数据元素，W表示神经元h的输入参数，b表示基向量； 步骤3.3.3：根据数据元素xi对模型训练的相关性，在仿射变换中添加自适应的高斯噪声； 计算第j个数据特征的隐私预算比率αj和隐私预算εj，它们之间的关系表示为：εj＝αj×ε2，其中，d表示数据集的特征总数，表示第j个数据特征与全局模型的相关性，ε2表示添加的本地差分隐私的隐私预算； 步骤3.3.4：根据隐私预算比率αj和隐私预算εj，在原始数据元素xi和基向量b添加自适应的高斯噪声，得到具有隐私安全的仿射变换表示高斯噪声，表示在数据元素xi添加满足高斯分布的噪音； 其中，δ2∈0,1；N表示高斯分布函数，σ2表示高斯分布的标准差，c2表示高斯分布标准差与隐私预算之间的关系系数，εj表示自适应差分隐私的隐私预算，ε2表示添加的本地差分隐私的隐私预算，δ2表示高斯分布的标准差，σ2j表示第j个客户端进行联邦学习时添加高斯分布噪声的标准差； 根据所有输入数据的特征值xij，设置Δh为相邻数据集之间的敏感度，最终得到具有隐私保护的局部模型训练参数 步骤3.4：本地客户端将局部最优训练模型参数W上传到联盟链的代表节点； 步骤4：更新验证联盟链中的全局模型； 步骤5：追随者接收具有数字签名的新块，并验证候选区块验证； 步骤6：联邦学习的全局模型训练； 步骤7：当全局模型训练完成后，将记录持续提交合格的本地模型更新的客户端，并给予奖励，如果发现有作恶的客户端，将给予惩罚。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。