刘少杰，文斌∗，王泽旭

（1.海南师范大学数据科学与智慧教育教育部重点实验室，海南 海口 571158；2.海南师范大学信息科学技术学院，海南 海口 571158；3.中山大学软件工程学院，广东 珠海 519082）

0 引言

数据保护的约束使得数据被限制在不同企业和组织之间，形成了众多“数据孤岛”，难以发挥其蕴含的重要价值，而传统的数据交易方式往往存在数据所有权混乱以及缺乏透明性等问题［1］。联邦学习（FL）的模型训练机制有效地实现了“数据不出门，可用不可见”，在打破“数据孤岛”的同时满足了数据隐私和安全性规约［2］，使得数据被合规交易和共享成为可能。联邦学习对未来人工智能等技术的发展和数据安全保护有着重要的推动作用，但缺乏奖励分配机制、存在恶意攻击、网络通信开销大等问题对联邦学习应用于数据交易场景有着显著的影响［3］。因此，对联邦学习框架的设计和完善成为学术界和工业界亟待解决的热点问题，其研究需求也应运而生。

当联邦学习实际应用在数据交易场景中时，需要模型聚合服务端与各个数据供给方训练端间进行不间断的模型权重数据同步，这带来了巨大的通信开销［4-6］，并随着数据供给方的数量和迭代次数增加而陡增，不适用于多方参与的复杂数据交易场景。此外，联邦学习中缺少用于数据供给方贡献度评估的方法，存在各方利益分配策略不明确、缺少有效的激励机制的问题［7-8］。同时，利益分配数据依赖中心化的存储或任务需求的发布者，缺少透明性和可信性，从而降低了参与方的积极性［9］。……