成果：基于区块链的分布式联邦学习激励机制算法库

一、成果介绍

设计实现了基于区块链的联邦学习激励评估算法，主要从数据、声誉和资源三个维度构建了智能合约算法模块，形成激励机制算法库：

数据维度：量化评估联邦学习节点贡献的数据质量，主要采用Shapley值方法计算节点平均边际贡献、Stackelberg 博弈方法评估从属客户端节点的数据贡献；

声誉维度：基于节点提供的参数来评估节点声誉，声誉过低的节点提供的参数不会被聚合；主要采用训练评估和量化记录方法；

资源维度：基于节点的训练表现，合理分配计算资源和通信资源；

构建了适配上述激励机制的轻量级松耦合区块链+联邦学习架构，其中联邦学习网络与长安链共识网络相互独立，二者以消息传递方式实现松耦合集成，通过基于智能合约的调度算法，实现联邦学习激励机制中的数据质量评估、节点贡献评估、激励机制实施等功能。

二、对长安链的价值

区块链采用去中心化P2P拓扑结构，有助于提高长安链联邦学习模块的计算弹性、系统健壮性和效率；基于区块链设计激励机制，将提高联邦节点积极性以及学习过程的公平性、公正性和可信性；灵活自定义的智能合约可以自动化管理分布式、多回合联邦学习任务。

三、应用场景/案例

数据价值评估是实现联邦学习激励机制设计的重要基础，成果一方面可提高联邦学习系统中节点贡献高质量数据和模型的积极性；另一方面可望应用于数据要素市场的数据定价、交易、共享和流通等应用场景，并实现数据要素流通中的安全与隐私保护。