(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111647637.6 (22)申请日 2021.12.3 0 (71)申请人 杭州趣链科技有限公司 地址 310000 浙江省杭州市西湖区文三路 199号13幢南楼5 01室 (72)发明人 邱炜伟　詹士潇　曾磊　黄方蕾　 张珂杰　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 代理人 张萍 (51)Int.Cl. G06N 20/00(2019.01) H04L 9/40(2022.01) (54)发明名称 模型学习方法、 装置、 系统及计算机可读存 储介质 (57)摘要 本发明提供了一种模型学习方法、 装置、 系 统及计算机可读存储介质， 涉及算法学习技术领 域。 该方法包括： 获取客户端通过区域链发送的 梯度并对所述梯度进行编号； 按照编号根据梯度 的方向和大小确定梯度是否为预报恶意梯度； 通 过客户端判断被确定为预报恶意梯度的梯度是 否为恶意梯度， 剔除被判断为恶意梯度的梯度并 进行下一轮迭代， 直至恶意梯度被剔除， 得到非 恶意梯度； 对非恶意梯度进行平均聚合来更新客 户端的模型， 直至模型收敛。 本发明的模型学习 方法、 装置、 系统及计算机 可读存储介质， 通过客 户端根据梯度的方向和大小以及投票机制判断 出恶意梯度后将恶意梯度剔除， 并对剩余的梯度 进行平均聚合来更新客户端的模型并重复进行 上述步骤直至模 型收敛， 达到了防止恶意梯度通 过平均聚合更新模型后会对模型造成恶劣影响 的技术效果。 权利要求书2页 说明书7页 附图3页 CN 114330746 A 2022.04.12 CN 114330746 A 1.一种模型 学习方法， 其特 征在于， 所述方法包括： 获取客户端通过区域链发送的梯度并对所述梯度进行编号， 其中， 每个所述客户端对 应一个梯度； 按照所述编号 根据所述梯度的方向和大小确定所述梯度是否为预报恶意梯度； 通过所述客户端判断被确定为预报恶意梯度的所述梯度 是否为恶意梯度， 并在所述梯 度被判断为恶意梯度超过 预定次数时， 剔除所述梯度对应的客户端； 对剩余客户端对应的梯度进行平均聚合来更新所述客户端的模型并重复上述步骤， 直 至所述模型收敛。 2.根据权利要求1所述的模型学习方法， 其特征在于， 所述按照所述编号根据 所述梯度 的方向和大小确定所述梯度是否为预报恶意梯度， 包括： 计算梯度总和减去 待判断的梯度的新梯度总和； 对所述新梯度总和与所述待判断的梯度进行点积， 得到点积结果； 当所述点积结果小于零时， 确定所述梯度为第一预报恶意梯度。 3.根据权利要求2所述的模型学习方法， 其特征在于， 所述按照所述编号根据 所述梯度 的方向和大小确定所述梯度是否为预报恶意梯度， 还 包括： 当所述点积结果大于零时， 确定所述梯度的比例倍数； 当所述比例倍数 大于预设阈值时， 确定所述梯度为第二预报恶意梯度。 4.根据权利要求3所述的模型 学习方法， 其特 征在于， 所述比例倍数通过 下式得出： 其中， i为所述梯度的编号， gi为编号为i的梯度； 为梯度总和减去待判断的梯度的 新梯度总和。 5.根据权利要求2或3所述的模型学习方法， 其特征在于， 所述通过所述客户端判断被 确定为预报恶意梯度的所述梯度是否为恶意梯度， 包括： 通过所述客户端对被确定为第 一预报恶意梯度或第 二预报恶意梯度的梯度进行投票， 当所述客户端中超过二分之一的客户端认为所述第一预报恶意梯度或所述第二预报恶意 梯度为恶意梯度时， 确定所述第一预报恶意梯度或所述第二预报恶意梯度为恶意梯度。 6.一种模型 学习装置， 其特 征在于， 所述装置包括： 梯度获取模块， 用于获取客户端通过区域链发送的梯度并对所述梯度进行编号， 其中， 每个所述客户端对应一个梯度； 梯度确定模块， 用于按照所述编 号根据所述梯度的方向和大小确定所述梯度 是否为预 报恶意梯度； 梯度剔除模块， 用于通过所述客户端判断被确定为预报恶意梯度的所述梯度 是否为恶 意梯度， 并在所述梯度被判断为恶意梯度超过 预定次数时， 剔除所述梯度对应的客户端； 模型更新模块， 用于对剩余客户端对应的梯度进行平均聚合来更新所述客户端的模型 并重复上述 步骤， 直至所述模型收敛。 7.根据权利要求6所述的模型 学习装置， 其特 征在于， 所述梯度确定模块用于： 计算梯度总和减去 待判断的梯度的新梯度总和；权　利　要　求　书 1/2 页 2 CN 114330746 A 2对所述新梯度总和与所述待判断的梯度进行点积， 得到点积结果； 当所述点积结果小于零时， 确定所述梯度为第一预报恶意梯度。 8.根据权利要求7 所述的模型 学习装置， 其特 征在于， 所述梯度确定模块还用于： 当所述点积结果大于零时， 确定所述梯度的比例倍数； 当所述比例倍数 大于预设阈值时， 确定所述梯度为第二预报恶意梯度。 9.一种模型学习系统， 其特征在于， 包括存储器、 处理器， 所述存储器中存储有可在所 述处理器上运行 的计算机程序， 所述处理器执行所述计算机程序时实现权利要求1 ‑5中任 一项所述的方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质上存储有计算机程序， 其特征 在于， 所述计算机程序被处 理器运行时执 行上述权利要求1至 5任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114330746 A 3