科创中国

行业领域

新一代信息技术产业,信息传输、软件和信息技术服务业

需求背景

联邦学习是一种具有数据保护功能的分布式机器学习框架，能够帮助多个用户在满足其隐私保护、数据安全和以及政策法规的情况下，同时实现对无法共享的数据进行学习和建模。他的目标不是共享数据，而是分布式的学习一个机器学习模型，这对打破数据孤岛具有更好的作用。联邦学习最早由谷歌在2016年提出，当时这个模型主要针对手机终端，微众银行的人工智能团队，提出了“联邦迁移学习”的解决方案，将迁移学习和联邦学习结合起来，实现金融数据的具有隐私保护下的分布式学习。该领域的著名学者杨强教授也曾在“联邦学习研讨会”上介绍,迁移学习的数据迁移机制可以让联邦学习具有更好的通用性,迁移学习的特点是适用于不同类型的数据结构、不同的用户机构。可以在这种情况下，建立机器学习模型，同时，这些模型的功能能够在不需要对其他数据进行过多需求的情况下，有效的发挥作用。这种基于迁移学习的联邦学习打破了领域和算法的限制，特别是对用户隐私以及数据安全方面具有较高的优势。

需解决的主要技术难题

共识机制过程中拜占庭节点任意行为严重影响区块链系统的安全性，共识机制方案的高效性是保证区块链技术应用落地发展的关键问题之一。现有共识机制方案大都是依据联盟链应用场景进行设计与开发，结合信任度量和声誉模型改进共识机制具有非常重要的意义。如何基于公平性理念选择合适的信任度量模型使得共识机制的高效性和区块链系统的安全性的到保证有待讨论。

期望实现的主要技术目标

分布式系统中的容错效率问题是制约区块链系统效率的重要因素，解决区块链共识机制方案中的复杂性是构建区块链共识机制方案的关键。因此，在保证安全性前提下构建效率相对较高的区块链共识机制方案，容错效率问题是一个需要解决的关键科学问题。

处理进度