电能量数据的联邦学习可靠性评估方法和装置

摘要

本申请提供了一种电能量数据的联邦学习可靠性评估方法、装置、计算机设备和存储介质。该方法包括：根据各个电能量数据节点的声望，确定用于进行联邦学习的多个目标节点，向多个目标节点发送初始训练模型，并获取各个目标节点根据本地训练数据集对初始训练模型训练时得到的模型更新数据，根据模型更新数据得到中间验证模型，对初始训练模型和中间验证模型进行评估，根据评估结果，得到多个目标节点的可靠性评估结果。通过各个电能量数据节点的声望，确定用于进行联邦学习的节点，针对各个目标节点进行可靠性评估，提高获取参与联邦学习的电能量数据节点的可靠性，并进一步提高了对电能量数据的可靠性评估的准确性。

说明书

技术领域

本申请涉及电力计量技术领域，特别是涉及一种电能量数据的联邦学习可靠性评估方法、装置、计算机设备和存储介质。

背景技术

电力计量系统中通常包括多个电能量数据拥有者，数据需求方可以从多个电能量数据的拥有者处采集数据，将数据整合后进行大数据分析，以进行电力计量检测和支撑决策。

目前技术中，各个电能量数据拥有者存在数据隐私和数据安全问题，数据需求方可能不能从部分电能量数据拥有者处获取数据，导致电能量数据分析的可靠性较低。

发明内容

基于此，有必要针对目前技术中存在的电能量数据分析的可靠性低的技术问题，提供一种电能量数据的联邦学习可靠性评估方法、装置、计算机设备和存储介质。

一种电能量数据的联邦学习可靠性评估方法，所述方法包括：

根据各个电能量数据节点的声望，从所述各个电能量数据节点中，确定用于进行联邦学习的多个目标节点；所述各个电能量数据节点的声望与各个电能量数据节点参与联邦学习的历史评估结果相关联；

向所述多个目标节点发送初始训练模型，获取各个目标节点根据本地训练数据集对所述初始训练模型训练时得到的模型更新数据；

根据所述多个目标节点分别对应的模型更新数据，得到中间验证模型；

对所述初始训练模型和中间验证模型进行评估，根据评估结果得到所述多个目标节点的可靠性评估结果。

在其中一个实施例中，所述根据各个电能量数据节点的声望，从所述各个电能量数据节点中，确定用于进行联邦学习的多个目标节点之前，还包括：

针对各个电能量数据节点，获取电能量数据节点对应的多个历史评估记录；其中，各个历史评估记录包括历史需求方、历史评估结果和评估记录时间；

根据各个历史评估记录对应的历史需求方和评估记录时间，得到各个历史评估记录对应的评估权重；

根据所述各个历史评估记录对应的历史评估结果和评估权重，得到所述电能量数据节点的声望。

在其中一个实施例中，所述获取各个目标节点根据本地训练数据集对所述初始训练模型训练时得到的模型更新数据，包括：

根据所述多个目标节点分别对应的节点模型的训练轮次数据，得到所述多个目标节点分别对应的梯度变化数据；

根据所述多个目标节点对应的节点标识和梯度变化数据，得到所述模型更新数据。

在其中一个实施例中，所述对所述初始训练模型和中间验证模型进行评估，根据评估结果得到所述多个目标节点的可靠性评估结果，包括：

根据所述联邦学习对应的模型任务，确定对所述初始训练模型和中间验证模型进行评估的评估指标；

根据所述多个目标节点分别对应的验证数据集和所述评估指标，对所述初始训练模型和中间验证模型进行评估，得到与所述评估指标对应的所述多个目标节点的可靠性评估结果。

在其中一个实施例中，所述根据所述多个目标节点分别对应的验证数据集和所述评估指标，对所述初始训练模型和中间验证模型进行评估，得到与所述评估指标对应的所述多个目标节点的可靠性评估结果，包括：

根据所述多个目标节点分别对应的验证数据集和所述评估指标，对所述中间验证模型进行评估，得到所述多个目标节点的第一评估结果，以及对所述初始训练模型进行评估，得到所述多个目标节点的第二评估结果；

根据所述第一评估结果和所述第二评估结果的对比结果，得到所述多个目标节点分别对应的可靠性评估结果。

在其中一个实施例中，所述根据所述第一评估结果和所述第二评估结果的对比结果，得到所述多个目标节点分别对应的可靠性评估结果，包括：

针对所述多个目标节点中的任一目标节点，若该目标节点的所述第一评估结果小于第二评估结果，以预设的基准数值作为该目标节点的可靠性评估结果；

若该目标节点的所述第一评估结果大于或等于所述第二评估结果，根据所述第一评估结果和第二评估结果的数量关系，计算得到该目标节点的可靠性评估结果。

在其中一个实施例中，所述根据评估结果得到所述多个目标节点的可靠性评估结果之后，还包括：

将所述多个目标节点的需求方信息、可靠性评估结果和评估记录时间，生成加密区块，发送至区块链存储。

一种电能量数据的联邦学习可靠性评估装置，所述装置包括：

目标节点获取模块，用于根据各个电能量数据节点的声望，从所述各个电能量数据节点中，确定用于进行联邦学习的多个目标节点；所述各个电能量数据节点的声望与各个电能量数据节点参与联邦学习的历史评估结果相关联；

模型更新数据获取模块，用于向所述多个目标节点发送初始训练模型，获取各个目标节点根据本地训练数据集对所述初始训练模型训练时得到的模型更新数据；

中间验证模型生成模块，用于根据所述多个目标节点分别对应的模型更新数据，得到中间验证模型；

可靠性评估模块，用于对所述初始训练模型和中间验证模型进行评估，根据评估结果得到所述多个目标节点的可靠性评估结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中电能量数据的联邦学习可靠性评估方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中电能量数据的联邦学习可靠性评估方法步骤。

上述电能量数据的联邦学习可靠性评估方法、装置、计算机设备和存储介质，根据各个电能量数据节点的声望，确定用于进行联邦学习的多个目标节点，向多个目标节点发送初始训练模型，并获取各个目标节点根据本地训练数据集对初始训练模型训练时得到的模型更新数据，根据模型更新数据得到中间验证模型，对初始训练模型和中间验证模型进行评估，根据评估结果，得到多个目标节点的可靠性评估结果。通过各个电能量数据节点的声望，确定用于进行联邦学习的节点，针对各个目标节点进行可靠性评估，提高获取参与联邦学习的电能量数据节点的可靠性，并进一步提高了对电能量数据的可靠性评估的准确性。

附图说明

图1为一个实施例中基于联邦学习的电能量数据节点方法的应用环境图；

图2为一个实施例中基于联邦学习的电能量数据节点方法的流程示意图；

图3为另一个实施例中基于联邦学习的电能量数据节点的流程示意图；

图4为另一个实施例中基于联邦学习的电能量数据节点的流程示意图；

图5为另一个实施例中基于联邦学习的电能量数据节点的流程示意图；

图6为另一个实施例中基于联邦学习的电能量数据节点的流程示意图；

图7为另一个实施例中基于联邦学习的电能量数据节点的流程示意图；

图8为另一个实施例中基于联邦学习的电能量数据节点的流程示意图；

图9为另一个实施例中基于联邦学习的电能量数据节点的流程示意图；

图10为一个实施例中电能量数据的联邦学习可靠性评估装置的结构框图；

图11为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，本发明实施例所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本申请提供的基于联邦学习的电能量数据节点方法，可以应用于如图1所示的应用环境中。其中，需求方服务器102通过网络与参与方服务器104进行通信。需求方服务器102获取各个电能量数据节点的声望，确定多个目标节点，将初始训练模型发送至各个目标节点对应的参与方服务器104进行模型的训练，并根据验证集对初始训练模型和中间验证模型进行验证，根据验证结果得到对各个目标节点的可靠性评估结果。其中，需求方服务器102和参与方服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

其中，在电力计量系统中，数据需求方可以从数据参与方采集数据，进行电能量数据计算和分析。数据需求方可以从多个数据参与方采集数据，数据参与方也可以向多个数据需求方提供数据。

在一个实施例中，如图2所示，提供了基于联邦学习的电能量数据节点方法，以该方法应用于图1的需求方服务器102为例进行说明，包括以下步骤：

步骤S201，根据各个电能量数据节点的声望，从各个电能量数据节点中，确定用于进行联邦学习的多个目标节点。

其中，电能量数据节点可以是各个数据参与方对应的节点，各个电能量数据节点可以配置有节点编号，以区分各个数据参与方。各个电能量数据节点的声望与各个电能量数据节点参与联邦学习的历史评估结果相关联，表征各个电能量数据节点在各个历史时期，参与联邦学习的评价结果。声望可以作为评价电能量数据节点的可靠性的指标之一，例如，声望越大的电能量数据节点的可靠性程度越高。声望可以存储在各个需求方服务器的存储模块、云存储单元或者区块链上。联邦学习可以是机器学习框架，在此框架下通过设计虚拟模型解决不同数据拥有方在不交换数据的情况下进行协作的问题。虚拟模型是各方将数据聚合在一起的最优模型，各自区域依据模型为本地目标服务。在联邦机制下，各参与者的身份和地位相同，可建立共享数据策略，由于数据不发生转移，因此不会泄露用户隐私或影响数据规范。

具体实现中，需求方服务器可以获取各个电能量数据节点的声望，从各个电能量数据节点中，确定一定数量的进行联邦学习的目标节点。

步骤S202，向多个目标节点发送初始训练模型，获取各个目标节点根据本地训练数据集对初始训练模型训练时得到的模型更新数据。

其中，初始训练模型可以是需求方服务器根据训练任务确定的。各个目标节点配置有本地训练数据集，可以对该初始训练模型进行训练。各个目标节点在进行模型训练时，可以基于数据样本进行多轮次的训练，得到各个训练轮次前后对应的模型更新数据。各个目标节点的本地训练数据集可以是目标节点产生的电能量数据，各个目标节点的本地训练数据集可以不同，该本地训练数据集保存在各个目标节点对应的参与方服务器。

具体实现中，需求方服务器可以根据训练任务确定初始训练模型，并将初始训练模型发送各个目标节点，使得各个目标节点根据本地数据及对该初始模型进行训练，得到模型更新数据。需求方服务器可以从参与方服务器获取各个目标节点对应的模型更新数据。

步骤S203，根据多个目标节点分别对应的模型更新数据，得到中间验证模型。

其中，中间验证模型可以在联邦学习框架下，将各个目标节点的模型训练数据进行整合后得到联合模型，可以用于对各个目标节点的模型训练情况进行验证，进而对各个目标节点对应的参与方的可靠性程度进行评估。

具体实现中，需求方服务器可以根据从多个目标节点获取模型更新数据，对该模型更新数据进行解析和训练整合，得到本次联邦学习对应的中间验证模型。

步骤S204，对初始训练模型和中间验证模型进行评估，根据评估结果得到多个目标节点的可靠性评估结果。

其中，需求方服务器可以通过模型评估指标，对初始训练模型和中间验证模型的评估，例如分类模型AUC指标、回归模型的mAP指标等。需求方服务器可以根据模型训练任务，确定对应的评估指标。可靠性评估结果可以是定性的评估，例如可靠或者不可靠，也可以是定量的评估，得到各个目标节点的本次评估的得分。

具体实现中，需求方服务器可以根据模型训练任务对应的评估指标，对初始训练模型和中间验证模型进行评估，分别得到各个目标节点的对应的评估结果，进而根据评估结果，确定各个目标节点的可靠性评价结果。

上述电能量数据的联邦学习可靠性评估方法中，通过各个电能量数据节点的声望，确定用于进行联邦学习的多个目标节点，向多个目标节点发送初始训练模型，并获取各个目标节点根据本地训练数据集对初始训练模型训练时得到的模型更新数据，根据模型更新数据得到中间验证模型，对初始训练模型和中间验证模型进行评估，根据评估结果，得到多个目标节点的可靠性评估结果。通过各个电能量数据节点的声望，确定用于进行联邦学习的节点，针对各个目标节点进行可靠性评估，提高获取参与联邦学习的电能量数据节点的可靠性，并进一步提高了对电能量数据的可靠性评估的准确性。

在一个实施例中，如图3所示，步骤S201中确定根据区块链上各个电能量数据节点的声望，从各个电能量数据节点中，确定用于进行联邦学习的多个目标节点之前的步骤包括：

针对各个电能量数据节点，获取电能量数据节点对应的多个历史评估记录；根据各个历史评估记录对应的历史需求方和评估记录时间，得到各个历史评估记录对应的评估权重；根据所述各个历史评估记录对应的历史评估结果和评估权重，得到所述电能量数据节点的声望。

本实施例中，声望可以是相对于数据需求方量化后的指标，由该目标节点的历史评估记录计算得到，每一个历史评估记录中可以包括该节点对应的历史需求方、历史评估结果和评估记录时间。需求方服务器可以根据某一目标节点对应的历史评估结果和该评估结果对应的权重，得到该目标节点对应的声望。

在一些实施例中，目标节点参与联邦学习的次数和历史评估结果，可以影响该目标节点的声望。每一条历史评估记录对声望的贡献，也即权重，可以相同，也可以不同。电能量数据节点多参与到联邦学习的过程中能够有效提升自身声望，提高被选中参与联邦学习的可能，而恶意的数据上传则会显著降低声望，不利于自身联邦学习的进行。数据参与方参与联邦学习的可靠性评估结果由其数据的训练效果决定，训练效果是数据质量的直接体现。

在一些实施例中，数据需求方对各数据节点的可靠性评估可以以区块链的形式进行保存和公开，以确保声望信息的公开性、可追溯性和不可篡改。

在一些实施例中，历史评估记录是某一电能量数据节点

其中，

该权重可以根据历史需求方

其中，

上述实施例的方案，通过获取某一电能量数据节点的多个历史评估记录，得到各个历史评估记录对应的评估权重，进而根据各个历史评估记录对应的历史评估结果和评估权重，得到该电能量数据节点的声望，提升了获取到的电能量数据声望的可靠性。

在一个实施例中，如图4所示，步骤S203中确定从多个目标节点分别对应的节点模型中，提取模型更新数据的步骤包括：

根据多个目标节点分别对应的节点模型的训练轮次数据，得到多个目标节点分别对应的梯度变化数据；根据多个目标节点对应的节点标识和梯度变化数据，得到模型更新数据。

本实施例中，模型更新数据可以包括，各个目标节点的节点标识以及梯度变化数据。

梯度变化数据根据该目标节点在训练过程中的各个轮次的训练数据得到，可以根据梯度下降算法（Gradient Descent Optimization）获得。具体地，根据梯度下降的公式

其中，

在一些实施例中，需求方服务器可以以节点标识为依据，将各个目标节点对应的梯度变化数据区分保存。各个目标节点分别对应有模型更新数据。需求方服务器可以根据各个目标节点对应的模型更新数据，进行数据解析后，作为数据样本，训练得到联邦学习对应的中间验证模型。

上述实施例的方案，通过获取各个目标节点在训练过程中的训练轮次数据，得到各个目标节点对应的梯度变化数据，进而得到模型更新数据，为训练中间验证模型提供数据来源。

在一个实施例中，如图5所示，步骤S204中对初始训练模型和中间验证模型进行评估，根据评估结果得到多个目标节点的可靠性评估结果的步骤包括：

根据联邦学习对应的模型任务，确定对初始训练模型和中间验证模型进行评估的评估指标；根据多个目标节点分别对应的验证数据集和所述评估指标，对初始训练模型和中间验证模型进行评估，得到与评估指标对应的多个目标节点的可靠性评估结果。

本实施例中，联邦学习对应有模型任务，例如用于分类或预测，针对不同的模型任务，进行模型评估的评估指标可以不同。验证数据集可以是预先存储的数据集，与存储在目标节点对应的参与方服务器的本地训练数据集可以不同，用于对该目标节点训练得到的节点模型进行验证。验证数据集可以存储在需求方服务器或者区块链上。需求方服务器可以根据每个目标节点对应的验证数据集，对该目标节点的对应的初始训练模型进行评估，以及对该中间验证模型进行评估。可靠性评估结果是电力计量系统中数据需求方j针对数据参与方i训练模型的效果做出的数据可靠性评估结果。

在一些实施例中，需求方服务器可以获取预先存储的各个目标节点对应的验证集数据。根据模型任务的不同，通过该目标节点的验证集数据，对中间验证模型进行评估，生成与模型任务对应的评估结果a

在一些实施例中，需求方服务器可以根据第一评估结果和第二评估结果的对比结果，确定该目标节点的可靠性评估结果。具体地，电力计量系统中数据需求方j针对目标节点i对应的参与方i的训练模型的效果进行可靠性评估时，第一评估结果为a

即，当该目标节点的第一评估结果小于第二评估结果时，以预设的基准数值（例如-1）作为该目标节点的可靠性评估结果。若该目标节点的第一评估结果大于或等于所述第二评估结果，根据第一评估结果和第二评估结果的数量关系，计算得到该目标节点的可靠性评估结果。

上述实施例的方案，通过验证数据集和模型训练任务对应的评估指标，对中间验证模型和初始训练模型进行评估，根据评估结果得到各个目标节点对应的可靠性评估结果，实现了对各个目标节点的模型训练数据的可靠性评价。

在一个实施例中，如图6所示，根据评估结果得到多个目标节点的可靠性评估结果之后，还包括：

将多个目标节点的需求方、可靠性评估结果和评估记录时间，生成加密区块，发送至区块链存储。

本实施例中，需求方服务器可以将本次评估得到的各个目标节点可靠性评估结果、评估记录时间和本次的需求方信息生成评估记录，通过私钥加密后生成区块，发送至区块链存储。

在一些实施例中，需求方服务器也可以将各个目标节点的可靠性评估结果、密文以及公钥广播到电力计量系统网络，各个电力能量数据节点可以根据收到的信息对该评估记录数据进行验证并将可靠性评估结果写入区块链，实现本次参与联邦训练的目标节点的可靠性评估结果和声望信息的去中心化保存。数据需求方、数据参与方可以注册成为该区块链上的用户，能够有效地保证声望机制被公平公开的使用。

上述实施例的方案，通过将多个目标节点的需求方信息、可靠性评估结果和评估记录时间，生成加密区块，发送至区块链存储，提升了可靠性评估结果的调用效率。

在一个实施例中，如图7所示，提供了一种电能量数据的联邦学习可靠性评估方法，该方法包括：

步骤S701，数据需求方服务器针对各个电能量数据节点，获取电能量数据节点对应的多个历史评估记录；其中，各个历史评估记录包括历史需求方、历史评估结果和评估记录时间；根据各个历史评估记录对应的历史需求方和评估记录时间，得到各个历史评估记录对应的评估权重；根据各个历史评估记录对应的历史评估结果和评估权重，得到电能量数据节点的声望；

步骤S702，数据需求方服务器根据各个电能量数据节点的声望，从各个电能量数据节点中，确定用于进行联邦学习的多个目标节点；各个电能量数据节点的声望与各个电能量数据节点参与联邦学习的历史评估结果相关联；

步骤S703，数据需求方服务器向多个目标节点发送初始训练模型；

步骤S704，各个目标节点对应的数据参与方服务器根据该目标节点分别对应的节点模型的训练轮次数据，得到该目标节点分别对应的梯度变化数据；根据该目标节点对应的节点标识和梯度变化数据，得到模型更新数据，将该模型更新数据发送给数据需求方服务器，数据需求方服务器根据该模型更新数据，得到中间验证模型；

步骤S705，数据需求方服务器根据联邦学习对应的模型任务，确定对初始训练模型和中间验证模型进行评估的评估指标；根据多个目标节点分别对应的验证数据集和评估指标，对中间验证模型进行评估，得到多个目标节点的第一评估结果，以及对初始模型模型进行评估，得到多个目标节点的第二评估结果。

步骤S706，针对多个目标节点中的任一目标节点，若该目标节点的第一评估结果小于第二评估结果，以预设的基准数值作为该目标节点的可靠性评估结果；若该目标节点的第一评估结果大于或等于第二评估结果，根据第一评估结果和第二评估结果的数量关系，计算得到该目标节点的可靠性评估结果。

步骤S707,将多个目标节点的需求方信息、可靠性评估结果和评估记录时间，生成加密区块，发送至区块链存储。

上述实施例，通过各个电能量数据节点历史评估数据，得到各个电能量数据节点的声望，根据该声望确定用于进行本次联邦学习的多个目标节点，向多个目标节点发送初始训练模型，并获取各个目标节点根据本地训练数据集对初始训练模型训练得到模型更新数据，根据模型更新数据，得到中间验证模型，对初始训练模型和中间验证模型进行评估，根据评估结果，得到多个目标节点的可靠性评估结果，并将各个目标节点对应的可靠性评估结果发送至区块链存储。通过各个电能量数据节点的声望，确定用于进行联邦学习的节点，针对各个目标节点进行可靠性评估，并采用声望机制和区块链技术相结合，提高获取参与联邦学习的电能量数据节点的可靠性，并进一步提高了对电能量数据的可靠性评估的准确性。

应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

为了更清晰阐述本申请提供的方案，以下将本申请上述实施例电能量数据的联邦学习可靠性评估方法，在具体应用中进行说明。

如图8所示，提供了一种面向电能量数据的联邦学习可靠性计算方法及声望机制的基础框架，该框架包括：联邦学习数据节点声望计算模块、联邦学习数据参与方可靠性评估模块和基于区块链技术的声望存储模块。需求方服务器可以从区块链上获取各个电能量数据节点的可靠性评估记录，根据该可靠性评估记录，得到各个电能量数据节点的声望，从中确定参与联邦学习的目标节点，在该目标节点进行联邦学习公共模型的训练，按照梯度贡献，提取各个目标节点训练得到的模型特征和联邦学习模型特征，进而根据训练任务对应的评估指标，得到各个目标节点对应的参与方的本次可靠性评估结果，发送至区块链上进行存储。

如图9所示，提供了一种面向电能量数据的联邦学习可靠性计算方法及声望机制的实施流程图，该方法包括：数据需求方发布联邦学习任务，电能量数据节点根据意愿申请参与任务，数据需求方在收集到各电能量数据的参与意愿之后，从区块链中提取各个电能量数据节点的历史可靠性评估数据，整理成可靠性记录，然后根据可靠性记录计算得到各数据节点的声望；数据需求方以数据节点声望为依据选择可靠的数据节点参与到联邦学习中来；数据需求方向每个数据参与方分发初始训练模型，数据参与方接收分发的模型，基于自身的数据对该模型进行训练，得到本节点模型；数据参与方对本节点模型进行特征提取，计算本地训练模型的梯度变化，获得模型更新数据，回传给数据需求方；数据需求方根据回传数据对各数据参与方进行验证和可靠性评估，将可靠性评估结果存储到区块链中。

在一个实施例中，如图10所示，提供了一种电能量数据的联邦学习可靠性评估装置，该装置1000包括：

目标节点获取模块1001，用于根据各个电能量数据节点的声望，从所述各个电能量数据节点中，确定用于进行联邦学习的多个目标节点；所述各个电能量数据节点的声望与各个电能量数据节点参与联邦学习的历史评估结果相关联；

模型更新数据获取模块1002，用于向所述多个目标节点发送初始训练模型，获取各个目标节点根据本地训练数据集对所述初始训练模型训练时得到的模型更新数据；

中间验证模型生成模块1003，用于根据所述多个目标节点分别对应的模型更新数据，得到中间验证模型；

可靠性评估模块1004，用于对所述初始训练模型和中间验证模型进行评估，根据评估结果得到所述多个目标节点的可靠性评估结果。

在一个实施例中，目标节点获取模块1001，包括：声望获取单元，用于针对各个电能量数据节点，获取电能量数据节点对应的多个历史评估记录；其中，各个历史评估记录包括历史需求方、历史评估结果和评估记录时间；根据各个历史评估记录对应的历史需求方和评估记录时间，得到各个历史评估记录对应的评估权重；根据所述各个历史评估记录对应的历史评估结果和评估权重，得到所述电能量数据节点的声望。

在一个实施例中，模型更新数据获取模块1002，包括：模型更新数据获取单元，用于根据所述多个目标节点分别对应的节点模型的训练轮次数据，得到所述多个目标节点分别对应的梯度变化数据；根据所述多个目标节点对应的节点标识和梯度变化数据，得到所述模型更新数据。

在一个实施例中，可靠性评估模块1004，包括：评估指标单元，用于根据所述联邦学习对应的模型任务，确定对所述初始训练模型和中间验证模型进行评估的评估指标；可靠性评估单元，用于根据所述多个目标节点分别对应的验证数据集和所述评估指标，对所述初始训练模型和中间验证模型进行评估，得到与所述评估指标对应的所述多个目标节点的可靠性评估结果。

在一个实施例中，可靠性评估单元，包括：第一/第二评估子单元，用于根据所述多个目标节点分别对应的验证数据集和所述评估指标，对所述中间验证模型进行评估，得到所述多个目标节点的第一评估结果，以及对所述初始训练模型进行评估，得到所述多个目标节点的第二评估结果；评估对比单元，用于根据所述第一评估结果和所述第二评估结果的对比结果，得到所述多个目标节点分别对应的可靠性评估结果。

在一个实施例中，评估对比单元，进一步用于针对所述多个目标节点中的任一目标节点，若该目标节点的所述第一评估结果小于第二评估结果，以预设的基准数值作为该目标节点的可靠性评估结果；若该目标节点的所述第一评估结果大于或等于所述第二评估结果，根据所述第一评估结果和第二评估结果的数量关系，计算得到该目标节点的可靠性评估结果。

在一个实施例中，上述装置1000还包括：存储模块，用于将所述多个目标节点的需求方信息、可靠性评估结果和评估记录时间，生成加密区块，发送至区块链存储。

关于电能量数据的联邦学习可靠性评估装置的具体限定可以参见上文中对于电能量数据的联邦学习可靠性评估方法的限定，在此不再赘述。上述电能量数据的联邦学习可靠性评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本申请提供的电能量数据的联邦学习可靠性评估方法，可以应用于计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储模型数据和验证集数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电能量数据的联邦学习可靠性评估方法。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。