(19)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 202210757279.2 (22)申请日 2022.06.29 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 林国义　 (74)专利代理 机构 北京圣州专利代理事务所 (普通合伙) 11818 专利代理师 王振佳 (51)Int.Cl. G06F 21/62(2013.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/74(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) (54)发明名称 面向半导体智能制造系统的混合联邦学习 安全模型 (57)摘要 本发明公开了面向半导体智能制造系统的 混合联邦 学习安全模型， 涉及联邦学习模型技术 领域， 包括区块数据层、 区块链层和应用层， 区块 数据层与区块链层相连接， 区块链层与应用层交 互连接， 区块数据层包括区块头、 工 人id、 综合信 任值和交易信息， 区块链层由若干半导体工人组 成， 应用层包括两个客户端和服务器， 两个客户 端和服务器构成三角形结构， 两个客户端分别与 服务器相连接。 本发明利用区块链记录半导体制 造工作节点的本地模型参数作为证据实现模型 聚合功能， 可以优化非独立同分布下的模型训练 精度， 防止中间参数传输信息泄露， 实现区块链 在公平性的联邦学习框架中的应用， 降低了隐私 泄露的风险， 提高了安全性。 权利要求书1页 说明书3页 附图1页 CN 115062344 A 2022.09.16 CN 115062344 A 1.面向半导体智能制造系统 的混合联邦学习安全模型， 其特征在于， 包括 区块数据层、 区块链层和应用层， 所述区块数据层与区块链层相连接， 所述区块链层与应用层交互连接， 所述区块数据层 包括区块头、 工人id、 综合信任值和交易信息， 所述区块链层由若干 半导体 工人组成， 所述应用层 包括两个客户端和服务器， 两个客户端和服务器构成三角形结构， 两 个所述客户端分别与服 务器相连接 。 2.根据权利要求1所述的面向半导体智能制造系统的混合联邦学习安全模型， 其特征 在于， 所述应用层采用信任机制量化本地模型和全局模型 的相似度， 计算并上传信用值给 区块链层， 所述区块链层下 载信任值以挑选高质量 参与节点给应用层。 3.根据权利要求1所述的面向半导体智能制造系统的混合联邦学习安全模型， 其特征 在于， 所述客户端可生成本地模型， 本地模型可上传模型梯度参数和更新梯度值传递至服 务器， 服务器可聚合 生成全局模块反馈给客户端。 4.根据权利要求1所述的面向半导体智能制造系统的混合联邦学习安全模型， 其特征 在于， 所述 服务器还可发布模型参数 给客户端 进行参数之间的交 互。 5.根据权利要求3所述的面向半导体智能制造系统的混合联邦学习安全模型， 其特征 在于， 所述本地模型采用成熟 的神经网络进行数据特征 的分类， 优选为卷积神经网络方法 构建神经网络模型， 用于提取原 始数据中最有效的特 征表示， 从而得到 本地CNN模型。 6.根据权利要求5所述的面向半导体智能制造系统的混合联邦学习安全模型， 其特征 在于， 所述本地CNN模型由图像输入层、 卷积层、 第一池化层、 第二池化层、 全连接层和分类 器组成， 卷积层可与池化层交叠， 然后连接全连接层。 7.根据权利要求6所述的面向半导体智能制造系统的混合联邦学习安全模型， 其特征 在于， 所述卷积层主要将网络连接和系统审 计数据转化为特征图， 有效提取数据特征， 在卷 积层中， 随机初始化其权重w和偏置值b， 卷积计算以滑动窗口的形式进行， 计算公式如下： ci＝H(wxi+b)， 其中： xi表示原始数据； c表示计算后的数据特 征。 8.根据权利要求7所述的面向半导体智能制造系统的混合联邦学习安全模型， 其特征 在于， 所述池化层阶段主要进 行降采样操作， 降低特征图的特征空间， 否则过多的特征图参 数不利于高层特征的抽取。 特征的降维操作一般采用最大池和平均池的两种计算方式， cmax ＝max(c1,c2,...,ci)和 其中： 最大池化是保留每个小区域 中的最大值， 即重点 在于该区域是否匹配上， 而非具体某一处的高度匹配。 9.根据权利要求8所述的面向半导体智能制造系统的混合联邦学习安全模型， 其特征 在于， 所述全连接层将根据前两层进行 的特征提取进行数据特征 的分类操作， 该层类似于 前馈神经网络中的隐含层， 不再以空间拓扑结构进行计算， 而是将其通过激励函数展开为 向量的形式。 10.根据权利要求9所述的面向半导体智能制造系统 的混合联邦学习安全模型， 其特征 在于， 在联邦学习框架中， 参与工作的节 点定义为{m1,m2,...,mk}其中每个工作节 点训练本 地机器学习模型， 其模型参数为 W＝{w1,w2,...wk}。权　利　要　求　书 1/1 页 2 CN 115062344 A 2面向半导体智能制造系统的混合联邦学习安全模型 技术领域 [0001]本发明涉及联邦学习模型技术领域， 尤其涉及面向半导体智能制造系统的混合联 邦学习安全 模型。 背景技术 [0002]联邦学习是一种由多方共同参与进行联合学习的新型技术， 主要包括拥有数据的 客户端和包含聚合模型 的中央服务器两个主体， 相比一般的分布式机器学习， 存在的明显 不同是联邦学习不需要将数据集进行聚合操作， 大幅降低了在集合多方数据的阶段造成隐 私泄露问题的可能性， 在每轮迭代中， 各个参与方持有本地数据进 行本地模型训练， 并将更 新后的模型相关参数值上传至中央服 务器， 由服 务器聚合 参数， 从而更新全局模型。 [0003]在半导体制造系统中， 常常也需要引入联邦学习模型， 现有的联邦学习模型无法 优化非独立同分布下 的模型训练精度， 容易造成中间参数传输信息泄露， 因此具有待 改进 的空间。 发明内容 [0004]本发明的目的是为了解决现有技术中存在的缺点， 而提出的面向半导体智能制造 系统的混合联邦学习安全模型。 其优点在于防止中间参数传输信息泄露， 实现区块链在公 平性的联邦学习框架中的应用， 降低了隐私泄 露的风险， 提高了安全性。 [0005]为了实现上述目的， 本发明采用了如下技 术方案： [0006]面向半导体智能制造系统的混合联邦学习安全模型， 包括区块数据层、 区块链层 和应用层， 所述区块数据层与区块链层相连接， 所述区块链层与应用层交互连接， 所述区块 数据层包括区块头、 工人id、 综合信任值和交易信息， 所述区块链层由若干半导体工人组 成， 所述应用层 包括两个客户端和服务器， 两个客户端和服务器构成三角形结构， 两个所述 客户端分别与服 务器相连接 。 [0007]本发明进一步设置为， 所述应用层采用信任机制量化本地模型和全局模型的相似 度， 计算并上传信用值给区块链层， 所述区块链层下载信任值以挑选高质量参与节点给应 用层。 [0008]本发明进一步设置为， 所述客户端可生成本地模型， 本地模型可上传模型梯度参 数和更新梯度值传递至服 务器， 服务器可聚合 生成全局模块反馈给客户端。 [0009]本发明进一步设置为， 所述服务器还可发布模型参数给客户端进行参数之间的交 互。 [0010]本发明进一步设置为， 所述本地模型采用成熟的神经网络进行数据特征的分类， 优选为卷积神经网络方法构建神经网络模型， 用于提取原始数据中最有效的特征表示， 从 而得到本地CNN模型。 [0011]本发明进一步设置为， 所述本地CNN模型由图像输入层、 卷积层、 第一池化层、 第二 池化层、 全连接层和分类 器组成， 卷积层可与池化层交叠， 然后连接全连接层。说　明　书 1/3 页 3 CN 115062344 A 3