简介本资源面向计算机、人工智能、信息安全等专业的学生与开发者提供一套基于DAG区块链的联邦学习框架源码用于实现去中心化与个性化训练。项目将DAG结构与联邦学习结合涉及节点管理、交易存储、tip选择策略、恶意节点模拟与聚类分析等模块适合作为毕业设计、课程设计或大作业的实战参考。压缩包共77个文件以46个Python源码为主辅以25个pyc编译文件、3个Jupyter Notebook实验脚本、1个yml环境配置及README说明文档整体约1.17MB目录划分清晰便于按模块阅读与调试。目前已有268人学习下载。读者可从中获取完整的去中心化联邦学习实现思路、DAG交易与tip选择机制、恶意节点与投毒实验代码以及聚类分析Notebook帮助快速理解框架结构并在此基础上进行二次开发与实验验证。1. 为什么把联邦学习搬到 DAG 上从中心聚合器到 Tangle 账本中心化联邦学习最常被诟病的一点是那个负责聚合梯度的参数服务器它既是性能瓶颈也是单点信任来源。一旦服务器被控制或掉线整轮训练直接停摆。这个项目做的事情是把聚合这件事从「一台服务器说了算」改成「一张 DAG 账本上所有节点共同记账」。具体来说它用 Tangle 结构IOTA 那一类有向无环图账本替代了传统区块链的链式区块每个训练节点提交的模型更新被打包成一笔 transaction通过 tip selection 挂到 DAG 的末端节点之间互相验证、互相引用从而在没有中心协调者的前提下完成模型聚合与个性化。适合谁看做毕设、课程设计、想复现去中心化联邦学习Decentralized Federated Learning的同学以及想搞清楚 DAG 账本怎么和机器学习训练循环对接的工程师。它不解决「联邦学习精度一定更高」这种问题它解决的是「没有中心服务器时聚合还能不能跑起来」。2. Tangle 账本与联邦学习聚合的对接原理2.1 DAG 账本为什么适合做模型聚合的载体链式区块链要求每个区块串成一条线出块速度受共识限制吞吐上不去。联邦学习一轮训练动辄几十上百个节点提交更新链式结构很容易堵。DAG 的账本结构里每笔 transaction 可以引用多笔前序 transaction形成网状而非线性的拓扑天然支持并发写入。项目里core/tangle.py和core/transaction.py就是这套账本的核心transaction 记录模型更新或元数据tangle 维护整张图并负责 tip 的选取与验证。聚合逻辑上节点不是把梯度发给服务器而是把更新作为一笔 transaction 广播出去其他节点在验证这笔 transaction 时顺带把它的模型参数纳入本地聚合。这样「验证」和「聚合」两个动作被合并到同一条路径上省掉了一次额外的通信往返。2.2 核心模块与目录职责拆解拿到源码先别急着跑先把目录结构读一遍知道每个文件管什么后面调参和排错才不会瞎找。路径职责core/tangle.pyDAG 账本主体维护 transaction 集合与 tip 集合core/transaction.py单笔 transaction 的数据结构与校验core/tip_selectiontip 选择策略决定新 transaction 挂到哪些父节点core/node.py训练节点串起本地训练与账本交互core/malicious_node.py恶意节点模拟用于投毒实验core/poison_type.py投毒类型定义lab/lab.py实验编排控制多节点多轮训练lab/dataset.py数据集加载与划分models/模型定义args.py/config运行参数与配置run.py/main.py入口脚本tip_selector_identifiers.py和tip_selector_factory.py是策略注册与工厂想换 tip 选择算法基本就是改这两个文件加一个实现类。analysis/下的tangle_analysator.py和几个 notebook 是事后分析用的跑完实验拿它看 DAG 形态和聚类结果。2.3 环境搭建与依赖安装项目根目录有environment.yml说明作者用的是 conda 管理环境。常见做法是直接用它建环境避免手动装依赖时版本对不上。# 用项目自带的环境文件创建 conda 环境 conda env create -f environment.yml conda activate 环境名 # 环境名在 environment.yml 的 name 字段里 # 如果没有 conda也可以手动装核心依赖 pip install torch numpy networkx matplotlib scikit-learn notebook逻辑说明environment.yml里锁定了 Python 版本从__pycache__里的cpython-39、cpython-37看作者在 3.7 和 3.9 上都跑过以及 torch、networkx 这类依赖。参数说明如果 conda 建环境卡在 solver可以加--no-deps先建空环境再手动补包networkx是画 DAG 拓扑用的scikit-learn在聚类分析 notebook 里会用到。提示先确认environment.yml里的 Python 版本和你本机不冲突3.7 现在很多包已经不支持建议优先用 3.9 那条线。3. 跑通一轮去中心化训练入口、参数与节点编排3.1 从 run.py 和 main.py 看训练主循环入口有两个run.py和main.py一般run.py是实验主入口main.py是更上层的封装或命令行入口。先看args.py里定义了哪些参数这决定了你能调什么。# 先看参数定义不跑 python run.py --help # 典型的一次实验启动参数名以 args.py 实际定义为准 python run.py \ --num_nodes 20 \ --num_rounds 50 \ --dataset femnist \ --tip_selection random \ --malicious_ratio 0.1逻辑说明--num_nodes控制参与训练的节点数--num_rounds是训练轮数--dataset选数据集项目里有femnist-findcluster.ipynb说明至少支持 FEMNIST--tip_selection指定 tip 选择策略--malicious_ratio控制恶意节点比例配合malicious_node.py做投毒实验。参数说明这些名字要对着args.py核对不同版本可能叫n_nodes或rounds别照抄。3.2 节点、交易与 tip 选择的联动一轮训练里每个node.py实例做三件事本地用dataset.py给的数据训练模型、把更新封装成transaction、通过 tip selection 决定引用哪些已有 transaction。tip selection 是 DAG 账本的关键它决定了新交易挂到图的哪个位置直接影响确认速度和图的形态。# 伪代码展示 node 与 tangle 的交互顺序具体实现见 core/node.py from core.tangle import Tangle from core.transaction import Transaction tangle Tangle() for round_id in range(num_rounds): for node in nodes: # 1. 本地训练拿到模型更新 update node.local_train() # 2. 用 tip 选择策略挑父交易 tips tangle.select_tips(strategytip_selection) # 3. 打包成交易并广播 tx Transaction(payloadupdate, parentstips, node_idnode.id) tangle.add_transaction(tx) # 4. 各节点在验证交易时聚合参数 tangle.aggregate()逻辑说明select_tips返回若干父交易Transaction把它们记进parents字段add_transaction把新交易挂进图。参数说明strategy对应tip_selector_factory.py里注册的策略名常见有random随机选 tip和基于权重的选择parents的数量会影响图的宽度太多会让验证负担变重。3.3 数据集划分与个性化来源个性化personalization在这个框架里主要靠数据非独立同分布non-IID划分实现。dataset.py负责把数据按节点切分FEMNIST 本身就是按书写者划分的天然 non-IID 数据集所以femnist-findcluster.ipynb才会用聚类去看节点之间的数据分布差异。# 数据划分示意实际见 lab/dataset.py def split_by_client(dataset, num_nodes): # FEMNIST 按 writer 划分每个 writer 的数据给一个节点 client_data group_by_writer(dataset) return assign_to_nodes(client_data, num_nodes)逻辑说明按 writer 分组保证每个节点的数据分布不同模型在本地训练时会偏向本地分布聚合后仍保留个性化特征。参数说明num_nodes要和run.py里的节点数一致否则会有节点分不到数据。注意non-IID 程度越高全局聚合模型越容易偏离这也是为什么项目要引入聚类分析——先看清节点分布再决定聚合权重。4. 投毒实验与 DAG 形态分析排错和验证怎么做4.1 恶意节点注入与投毒类型malicious_node.py和poison_type.py是这套框架做安全实验的部分。恶意节点在本地训练时对梯度做手脚再照常提交 transaction考验的是 DAG 账本在没有中心审查的情况下能不能识别或稀释异常更新。# 投毒节点行为示意见 core/malicious_node.py class MaliciousNode(Node): def local_train(self): update super().local_train() if self.poison_type gradient_flip: update -update # 梯度翻转 elif self.poison_type noise: update update noise_like(update) # 加噪 return update逻辑说明gradient_flip把梯度取反noise叠加噪声两种都是联邦学习投毒里最基础的攻击。参数说明poison_type在poison_type.py里定义扩展新攻击方式就在那里加枚举值再在MaliciousNode里加分支。4.2 用 tangle_analysator 看账本形态跑完实验analysis/tangle_analysator.py用来统计 DAG 的形态指标tip 数量、平均度数、确认深度等。这些指标能告诉你 tip selection 策略是不是把图搞成了长链或者过宽的扇。# 跑分析脚本输入是实验产出的账本数据 python -m analysis.tangle_analysator --input results/tangle_round50.json # 或者直接开 notebook 交互式看 jupyter notebook analysis/poets-findcluster.ipynb逻辑说明tangle_analysator读实验输出的账本快照算图指标notebook 适合边看边调。参数说明--input指向实验保存的账本文件路径以实际输出为准如果脚本报找不到模块用python -m方式跑保证包路径正确。4.3 常见报错与排查路径现象可能原因排查动作ModuleNotFoundError: core没在项目根目录跑cd到根目录或用python -m训练不收敛non-IID 太强或聚合权重问题看femnist-findcluster.ipynb的聚类结果DAG 退化成链tip selection 策略太保守换random或调 tip 数量恶意节点没生效malicious_ratio为 0 或节点未标记检查args.py和节点初始化conda 建环境失败Python 版本冲突手动建 3.9 环境再补依赖提示投毒实验里如果全局模型精度没明显下降先确认恶意节点的更新真的进了聚合而不是被 tip selection 边缘化到没人引用。5. 个性化聚合的进阶调法从聚类结果反推聚合权重个性化联邦学习里一个常被忽略的技巧是不要对所有节点的更新一视同仁。项目里clusters.py和几个findclusternotebook 已经把节点按数据分布聚了类这个聚类结果可以直接拿来调聚合权重——同类节点之间多聚合跨类少聚合既保住个性化又维持全局一致性。# 基于聚类结果调整聚合权重思路示意 from clusters import cluster_nodes clusters cluster_nodes(node_updates, n_clusters5) for node in nodes: same_cluster [n for n in nodes if clusters[n] clusters[node]] # 同类节点权重高跨类权重低 weights {n: (1.0 if n in same_cluster else 0.2) for n in nodes} node.aggregate(weights)逻辑说明cluster_nodes对节点更新做聚类weights让同类节点的参数在聚合时占更大比重。参数说明n_clusters要结合节点数和数据分布定节点少就设小一点否则每类样本太少聚类不稳。验证方法是跑两组对照一组均匀权重一组聚类权重比全局精度和个性化精度本地测试集上的精度。如果聚类权重下个性化精度明显更高而全局精度没掉太多说明这个调法有效。另一个容易踩的坑是灾难性遗忘节点在持续接收全局聚合结果后本地个性化能力会被冲淡。缓解办法是保留一部分本地更新不参与聚合或者降低聚合频率。具体到这套框架可以在node.py的聚合环节加一个本地保留比例参数让每轮只把部分参数交给账本聚合。这个参数没有标准值一般从 0.3 到 0.5 试起看本地测试集精度曲线什么时候开始掉头。本文还有配套的精品资源点击获取