本发明涉及区块链和联邦学习领域，具体地，涉及一种基于区块链的多方医疗模型参数安全聚合方法及系统。
背景技术：
1、近年来，随着大数据、云计算和物联网等技术的快速发展，医疗领域也开始积极探索和应用深度学习技术来提高医疗服务质量。深度学习在医疗影像诊断、病理分析、基因组学等领域展现出了巨大的潜力，为医学诊断和治疗带来了革命性的变革。传统中心化医疗机器学习模型训练将数据集中存储在单一数据中心，存在严重的隐私泄露风险。数据传输过程中也可能被窃听或篡改，加剧了隐私泄露的风险。因此，中心化模型训练方式无法有效保护医疗数据隐私，对患者和医疗机构的信任关系构成威胁。
2、随着对医疗数据隐私保护的关注增加，联邦学习技术因其保护数据隐私、降低数据传输需求、促进数据本地化处理等特性备受关注。该技术允许各医院在本地训练深度学习模型，而无需共享敏感数据。每个医院通过本地训练模型后，将更新的模型参数上传至中央服务器进行集成，从而形成全局模型。这种分布式学习方案不仅保护了患者隐私，还能利用各地医疗数据共同训练出更准确和全面的深度学习模型，为医疗诊断和治疗带来了更大的进步潜力。然而，联邦学习运用于医疗领域模型训练也面临着安全挑战，攻击者有概率从更新的模型参数中推断出原始隐私医疗数据，因此需要探索如何加强模型参数的安全性。
3、基于区块链的联邦学习方案具有独特优势。区块链技术提供了去中心化的数据存储和管理方式，避免了中心化数据存储带来的隐私泄露风险。其次，区块链的不可篡改性和分布式特性确保了数据的完整性和可信度，有效防止数据篡改和伪造。然而，基于区块链的联邦学习在计算效率和存储性能方面仍然存在一些缺点，由于区块链的数据存储和交易过程需要消耗大量计算资源，因此可能导致联邦学习的训练效率较低。因此，未来需要进一步完善联邦学习的技术方案，解决模型参数不一致、掩码生成和更新成本高以及错误模型恢复难度大等问题，从而更好地保障医疗数据的安全性和隐私性，促进医疗领域的发展和进步。
技术实现思路
1、本发明的目的在于针对现有技术的不足，提供一种基于区块链的多方医疗模型参数安全聚合方法及系统。
2、本发明的目的是通过以下技术方案实现的：
3、第一方面，本发明提供一种基于区块链的多方医疗模型参数安全聚合方法，该方法包括：
4、任务发起方初始化全局医疗模型并将全局医疗模型的哈希摘要上链，确定并发布参与联合训练的成员名单，成员名单中的所有节点均作为模型训练节点，其中一个模型训练节点额外作为模型聚合节点；
5、模型训练节点检查全局医疗模型的完整性，检查通过后基于全局医疗模型使用本地医疗数据集训练本地局部医疗模型；
6、模型训练节点为成员名单中的每个模型训练节点生成对应的秘密值，随机选择部分秘密值标注为可变秘密值，其他秘密值标注为不变秘密值，且满足所有秘密值相加为0，将本地秘密值外的其他秘密值加密后存入医疗区块链；
7、每个模型训练节点从医疗区块链中识别出与自身相关的秘密值密文并恢复出秘密值明文，将所有秘密值明文相加生成本地局部掩码种子，测试本地局部掩码种子的正确性；
8、每轮训练过程中，所有模型训练节点通过修改可变秘密值来更新本地局部掩码种子，利用同态伪随机数生成器生成本轮局部医疗模型掩码，将局部医疗模型掩码与局部医疗模型相加后得到局部医疗模型密文并在链下发送至模型聚合节点；
9、模型聚合节点将来自模型训练节点的局部医疗模型密文进行聚合，从而消除全部掩码并恢复出本轮全局医疗模型明文，并将全局医疗模型的哈希摘要上链。
10、进一步地，所述医疗区块链为每个医疗机构节点生成长期密钥，具体为：
11、配置一个大素数q，选择一个双线性对其中，g1是阶数为q的加法循环群，gt是阶数为q的乘法循环群；选择一个秘密值作为私钥，并计算q＝sp作为注册密钥，其中p是循环群g1的一个生成元，是整数群，群元素范围从1到q-1；选择hash函数以及同态伪随机数生成器hprg：
12、
13、其中l1表示可变秘密值变更量的字串长度；
14、其中l2表示秘密值标识符的字串长度；
15、其中l3表示医疗模型参数的大小；
16、初始化医疗区块链的公共参数为：
17、
18、将模型训练节点、模型聚合节点统一记为实体i，实体i将自己的身份idi通过安全信道提交给医疗区块链请求生成长期密钥；
19、医疗区块链根据实体i的身份idi计算身份标识符ti＝h0(idi)和长期密钥si＝tiq，将实体i的长期密钥si通过安全信道返回给实体i；
20、实体i将自己的身份标识符ti向其他实体公开，使用长期密钥si与其他实体的身份标识符tj来生成对称密钥kij＝tjsi、秘密值标识符sidij＝h2(kij||ti||tj)。
21、进一步地，所述模型训练节点为成员名单中的每个模型训练节点生成对应的秘密值，具体为：
22、该模型训练节点从医疗区块链获取成员名单list＝{t1,t2,…,ti,…,tn}确认成为第i个模型训练节点ti，并根据成员名单list大小n生成n-1个秘密值s＝{s1,s2,…,si-1,si+1,…,sn}，并计算本地秘密值使得成立；
23、模型训练节点ti根据其他n-1个模型训练节点的身份标识符tj生成只有双方可使用的对称密钥kij、秘密值标识符sidij，用可变性标识符aod对s中的秘密值进行随机标注得到(sj||aod)，其中有m个aod＝0的(sj||aod)作为可变秘密值、n-m-1个aod＝1的(sj||aod)作为不变秘密值，利用对称密钥kij对秘密值进行加密得到将n-1个(ctsj||sidij)上传至区块链网络，将标注的可变秘密值与其对应的模型训练节点的关系表map1存储在本地。
24、进一步地，所述模型训练节点从医疗区块链中识别出与自身相关的秘密值密文并恢复出秘密值明文，将所有秘密值明文相加生成本地局部掩码种子，具体为：
25、每个模型训练节点ti根据n-1个秘密值标识符sidij识别来自其他模型训练节点tj的n-1个秘密值密文(ctsj||sidij)，并使用对应对称密钥kij进行解密，获取秘密值明文(s′j||aod)，将解密出的秘密值明文s′＝{s1′,s′2,…,si′-1,si′+1,…,s′n}与本地秘密值si相加生成本地局部掩码种子的初始值
26、进一步地，所述模型训练节点利用加法同态shamir秘密分享算法测试本地局部掩码种子的正确性，具体为：
27、每个模型训练节点ti利用加法同态shamir秘密分享算法根据模型训练节点序号(1,2,…,j,…,n)将本地局部掩码种子的初始值分成n个秘密份额将n-1个秘密份额分发给成员名单list中对应序号的其他模型训练节点tj，每个模型训练节点ti将来自其他模型训练节点的n-1个秘密份额与本地的秘密份额一起相加得到与其他模型训练节点根据i∈(1,2,…,i,…,n)，联合利用加法同态shamir秘密分享算法恢复出掩码种子初始值之和sum，并测试是否成立来验证本地局部掩码种子的正确性。
28、进一步地，所述模型训练节点通过修改可变秘密值来更新本地局部掩码种子，具体为：
29、模型训练节点ti根据秘密值的可变性标识符aod＝0识别s′中的m′个可变秘密值，并将识别出的m′个可变秘密值与其对应的模型训练节点的关系表map2存储在本地，根据关系表map1、关系表map2、对称密钥以及当前训练轮次e，计算本地m个可变秘密值变更量总和m＝∑mh1(kij||e)，以及识别出的m′个可变秘密值变更量总和m′＝∑m′h1(kji||e)，获取第e轮更新后的本地局部掩码种子
30、进一步地，所述利用同态伪随机数生成器生成本轮局部医疗模型掩码，将局部医疗模型掩码与局部医疗模型相加后得到局部医疗模型密文并在链下发送至模型聚合节点，具体为：
31、模型训练节点ti使用本地医疗数据集训练第e轮的本地局部医疗模型基于更新后的本地局部掩码种子利用同态伪随机数生成器hprg生成本轮局部医疗模型掩码其中hprg满足er是微小数据噪声，
32、
33、模型训练节点ti生成带掩码的局部医疗模型密文其中αi为本地局部医疗模型在全局医疗模型中加权平均的权重，将wi在链下发送至模型聚合节点。
34、进一步地，所述模型聚合节点将来自模型训练节点的局部医疗模型密文进行聚合，从而消除全部掩码并恢复出本轮全局医疗模型明文，具体为：
35、模型聚合节点在训练本地局部医疗模型的同时收集来自其他模型训练节点的局部医疗模型密文wi并聚合得到全局医疗模型密文消除全部掩码恢复出全局医疗模型明文
36、进一步地，所述模型聚合节点将全局医疗模型明文按照神经网络层次分层进行哈希摘要计算，将每层哈希摘要按照merkle哈希树结构存储到医疗区块链中，并将全局医疗模型明文在链下安全发送给其他模型训练节点；模型训练节点收到后分层计算哈希摘要并通过医疗区块链验证全局医疗模型完整性，如验证通过则基于该全局医疗模型进行新一轮训练，如验证失败则定位错误参数所在网络层，并从模型聚合节点重新同步错误参数所在网络层的参数。
37、第二方面，本发明提供一种基于区块链的多方医疗模型参数安全聚合系统，包括任务发起方、模型训练节点和模型聚合节点；
38、任务发起方，用于：初始化全局医疗模型并将全局医疗模型的哈希摘要上链，确定并发布参与联合训练的成员名单，成员名单中的所有节点均作为模型训练节点，其中一个模型训练节点额外作为模型聚合节点；
39、模型训练节点，用于：基于全局医疗模型使用本地医疗数据集训练本地局部医疗模型；为成员名单中的每个模型训练节点生成对应的秘密值，随机标注可变秘密值和不变秘密值，且满足所有秘密值相加为0，将本地秘密值外的其他秘密值加密后存入医疗区块链；从医疗区块链中识别出与自身相关的秘密值密文并恢复出秘密值明文，将所有秘密值明文相加生成本地局部掩码种子，测试本地局部掩码种子的正确性；每轮训练过程中，通过修改可变秘密值来更新本地局部掩码种子，利用同态伪随机数生成器生成本轮局部医疗模型掩码，将局部医疗模型掩码与局部医疗模型相加后得到局部医疗模型密文并在链下发送至模型聚合节点；
40、所述模型聚合节点，将来自模型训练节点的局部医疗模型密文进行聚合，从而消除全部掩码并恢复出本轮全局医疗模型明文，并将全局医疗模型的哈希摘要上链。
41、第三方面，本发明提供一种基于区块链的多方医疗模型参数安全聚合设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其所述处理器执行所述可执行代码时，实现如第一方面所述的基于区块链的多方医疗模型参数安全聚合方法。
42、第四方面，本发明提供一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现如第一方面所述的基于区块链的多方医疗模型参数安全聚合方法。
43、本发明的有益效果是：本发明可以实现模型参数的安全加密、模型参数的高效聚合；可以通过医疗区块链网络完成掩码种子的隐蔽分发从而防止未授权节点窃取模型参数；可以通过模型掩码的高效更新实现模型参数的一次一密加密；利用医疗区块链网络对模型参数进行分层存证，极大降低了模型训练节点及恢复错误模型参数的通信、计算开销。
1.一种基于区块链的多方医疗模型参数安全聚合方法，其特征在于，包括：
2.根据权利要求1所述的基于区块链的多方医疗模型参数安全聚合方法，其特征在于，所述医疗区块链为每个医疗机构节点生成长期密钥，具体为：
3.根据权利要求2所述的基于区块链的多方医疗模型参数安全聚合方法，其特征在于，所述模型训练节点为成员名单中的每个模型训练节点生成对应的秘密值，具体为：
4.根据权利要求3所述的基于区块链的多方医疗模型参数安全聚合方法，其特征在于，所述模型训练节点从医疗区块链中识别出与自身相关的秘密值密文并恢复出秘密值明文，将所有秘密值明文相加生成本地局部掩码种子，具体为：
5.根据权利要求4所述的基于区块链的多方医疗模型参数安全聚合方法，其特征在于，所述模型训练节点利用加法同态shamir秘密分享算法测试本地局部掩码种子的正确性，具体为：
6.根据权利要求4所述的基于区块链的多方医疗模型参数安全聚合方法，其特征在于，所述模型训练节点通过修改可变秘密值来更新本地局部掩码种子，具体为：
7.根据权利要求6所述的基于区块链的多方医疗模型参数安全聚合方法，其特征在于，所述利用同态伪随机数生成器生成本轮局部医疗模型掩码，将局部医疗模型掩码与局部医疗模型相加后得到局部医疗模型密文并在链下发送至模型聚合节点，具体为：
8.根据权利要求7所述的基于区块链的多方医疗模型参数安全聚合方法，其特征在于，所述模型聚合节点将来自模型训练节点的局部医疗模型密文进行聚合，从而消除全部掩码并恢复出本轮全局医疗模型明文，具体为：
9.根据权利要求8所述的基于区块链的多方医疗模型参数安全聚合方法，其特征在于，所述模型聚合节点将全局医疗模型明文按照神经网络层次分层进行哈希摘要计算，将每层哈希摘要按照merkle哈希树结构存储到医疗区块链中，并将全局医疗模型明文在链下安全发送给其他模型训练节点；模型训练节点收到后分层计算哈希摘要并通过医疗区块链验证全局医疗模型完整性，如验证通过则基于该全局医疗模型进行新一轮训练，如验证失败则定位错误参数所在网络层，并从模型聚合节点重新同步错误参数所在网络层的参数。
10.一种基于区块链的多方医疗模型参数安全聚合系统，其特征在于，包括任务发起方、模型训练节点和模型聚合节点；
