FedSharing：一种双区块链激励驱动的数据分享联邦学习框架

联邦学习（federated learning，FL）能够在不丢失数据所有权的同时依托隐私保护技术实现安全的分布式模型训练，但是其也具有中心化、缺乏公平激励等问题。区块链（blockchain）本质上来说是一种分布式数据库，具有去中心化、信任公证等特点，但是其也具有网络吞吐量小、资源浪费等关键问题。针对上述技术方法的问题与特点，提出了一种双区块链激励驱动的数据分享联邦学习框架，称为FedSharing。分别构建主链与侧链：主链使用交易封装联邦学习中交换的全局参数，同时结合链上智能合约和链下扩容技术建立梯度状态通道；侧链提出了一种新型的修正Shapley值工作量证明算法（PoFS），修正传统Shapley值计算中成员平等性前提，将联邦学习中成员合作历史诚信度这一影响联盟利益的因素纳入考量。测试结果表明：梯度状态通道较智能合约去中心化方案每轮次时间平均降低4~5 s，PoFS共识下激励分配比例更符合公平实际。