欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106668406
申请人: 湖北工业大学
专利类型:发明专利
专利状态:未下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种移动群智感知中抗感知平台和用户共谋攻击的方法,参与者包括一组请求者、一个感知平台CSP和一群客户端设备Pi;

其特征在于,所述方法包括以下步骤:

步骤1:参数设定;

给定一个安全参数k,感知平台CSP选择两个比特长度为k的大素数p,q,计算n=pq,选

2 2

择一个生成元 其中 表示小于n且与n互素的正整数;感知平台CSP定义一个函λ 2 ‑1数L(u)=(u‑1)/n,并计算μ=(L(gmodn)) ;其中,λ为p‑1与q‑1的最小公倍数;感知平台CSP定义一个函数H∶ 将任意长的数映射到 上,其中 表示小于n且与n互素的正整数;感知平台CSP计算自己的公钥pkc=(n,g)和私钥skc=(λ,μ),公开参数{n,g,H};

客户端设备Pi选择它的私钥 计算它的公钥 其中,1≤i≤K,K为客户端设备的总数;

(t)

步骤2:感知平台CSP选择最合适的k个客户端设备来进行联邦学习,并且发送{w ,t,Pk}给每个客户端设备,其中,Pk={P1,…,Pk}为最合适的k个客户端设备,t代表第t轮联邦(t)学习,w 是第t轮由客户端的局部模型参数wi聚合得到的联邦学习全局模型,其中t的初始(1)值为1,并且w 的初始值为随机值;

步骤2的具体实现包括以下子步骤:

步骤2.1:感知平台CSP选择一个向量X={x1,x2,…,xd},其中d表示根据经验选取的最优的d个状态特征数据xi;

步骤2.2:感知平台CSP选择另一个向量U={u1,u2,…,ud},其中ui是xi特征所对应的权重;

步骤2.3:感知平台CSP使用自己的公钥pkc计算密文CX;

其中 表示为明文M对应的密文;

步骤2.4:计算 并将{CX,CU}发送给所有客户端设备;

步骤2.5:每个客户端设备通过设备传感器收集到自己的状态数据Yi={y1,y2,…,yd},1≤i≤K;

步骤2.6:客户端设备Pi计算 并发送CDi给CSP;其中,CDi用于判断第i个客户端设备是否会被选择;

步骤2.7:感知平台CSP接收到全部CDi后计算 其中Dec是一个函数,(skc,CDi)是函数Dec的输入,其输出为一个与CDi相关的值;

步骤2.8:感知平台CSP根据所有的Di选出最好的k个值所对应的客户端设备Pk=(t) (t){P1,…,Pk}并且发送{w ,t,Pk}给每个客户端设备,其中t是第t轮联邦学习,w 是第t轮的联邦学习全局模型;

步骤3:客户端设备Pk利用其收集到的训练数据样本进行局部学习训练得到一个局部模型参数wi,并将与局部模型参数wi相关的训练结果{Ciw,CiN}发送给感知平台CSP;其中,Ciw表示为第i个客户端的局部模型参数wi相关联的密文,CiN表示为第i个客户端设备拥有的数据样本大小的密文;

步骤4:感知平台CSP在收到k个客户端设备发送的{Ciw,CiN}后,计算聚合数据Cw和CN;其中,Cw表示为与联邦学习全局模型相关联的密文,CN表示所有样本数量的总和的密文;

步骤5:感知平台CSP解密并进行判断,如果联邦学习全局模型达到收敛,则本次联邦学习结束;否则,跳转到步骤2开始执行下一轮联邦学习全局模型训练;

步骤6:感知平台CSP将训练好的联邦学习全局模型发送至客户端设备,由客户端设备与请求者进行数据交互以使用联邦学习全局模型进行模型预测服务。

2.根据权利要求1所述的移动群智感知中抗感知平台和用户共谋攻击的方法,其特征在于,步骤3的具体实现包括以下子步骤:(t) (t)

步骤3.1:客户端设备Pi在接收到{w ,t,Pk}后,计算局部模型参数wi=w ‑η·gi,其中η是固定的学习率,gi是局部模型参数梯度;

步骤3.2:客户端设备Pi计算一个盲化因子Ri;

其中

步骤3.3:客户端设备Pi计算hr=H(t||pk1||pk2||…||pkk),其中||表示数据的拼接,{pk1…pkk}是被选中的k个客户端的公钥;

步骤3.4:客户端设备Pi选择随机数 并计算 其中Ni是客户端设备Pi自己的数据集大小;其中,Ciw表示为第i个客户端的局部模型参数wi相关联的密文;

步骤3.5:客户端设备Pi选择随机数 并计算 其中,CiN表示为第i个客户端设备拥有的数据样本大小的密文;

步骤3.6:Pi发送{Ciw,CiN}给感知平台CSP。

3.根据权利要求1所述的移动群智感知中抗感知平台和用户共谋攻击的方法,其特征在于:步骤4中,感知平台CSP在收到k个客户端设备发送的{Ciw,CiN}后,计算聚合数据Cw和CN;

4.根据权利要求1‑3任意一项所述的移动群智感知中抗感知平台和用户共谋攻击的方法,其特征在于,步骤5的具体实现包括以下子步骤:步骤5.1:感知平台CSP在得到{Cw,CN}后,计算其中, 是与联邦学习全局模型相关的值,N代表所有k个客户端设备的数据样本数量的总和;

(t+1)

步骤5.2:感知平台CSP计算t+1轮的联邦学习全局模型w ;

步骤5.3:感知平台CSP进行判断,如果联邦学习全局模型达到收敛,则本次联邦学习结束;否则,跳转到步骤2开始执行下一轮联邦学习全局模型训练。

5.一种移动群智感知中抗感知平台和用户共谋攻击的系统,参与者包括一组请求者、一个感知平台CSP和一群客户端设备;

其特征在于,所述系统包括以下模块:

模块1,用于参数设定;

2 2

感知平台CSP选择一个随机数n和一个生成元 其中 表示小于n 且与n互素λ 2 ‑1

的正整数;感知平台CSP定义一个函数L(u)=(u‑1)/n,并计算μ=(L(gmodn)) ;其中,λ为p‑1与q‑1的最小公倍数;感知平台CSP定义一个函数H∶ 将任意长的数映射到上,其中 表示小于n且与n互素的正整数;感知平台CSP计算自己的公钥pkc=(n,g)和私钥skc=(λ,μ),公开参数{n,g,H};客户端设备Pi选择它的私钥 计算它的公钥其中,1≤i≤K,K为客户端设备的总数;

模块2,用于感知平台CSP选择最合适的k个客户端设备来进行联邦学习,并且发送{w(t),t,Pk}给每个客户端设备,其中,Pk={P1,…,Pk}为最合适的k个客户端设备,t是第t轮联(t)邦学习,w 是第t轮由客户端的局部模型参数wi聚合得到的联邦学习全局模型,其中t的初(1)始值为1,并且w 的初始值为随机值;

模块2包括以下子模块:

模块2.1,用于感知平台CSP选择一个向量X={x1,x2,…,xd},其中d表示根据经验选取的最优的d个状态特征数据xi;

模块2.2,用于感知平台CSP选择另一个向量U={u1,u2,…,ud},其中ui是xi特征所对应的权重;

模块2.3,用于感知平台CSP使用自己的公钥pkc计算密文CX;

其中 表示为明文M对应的密文;

模块2.4,用于计算 并将{CX,CU}发送给所有客户端设备;

模块2.5,用于每个客户端设备通过设备传感器收集到自己的状态数据Yi={y1,y2,…,yd},1≤i≤K;

模块2.6,用于客户端设备Pi计算 并发送CDi给CSP;其中,CDi用于判断第i个客户端设备是否会被选择;

模块2.7,用于感知平台CSP接收到全部CDi后计算 其中Dec是一个函数,(skc,CDi)是函数Dec的输入,其输出为一个与CDi相关的值;

模块2.8,用于感知平台CSP根据所有的Di选出最好的k个值所对应的客户端设备Pk=(t) (t){P1,…,Pk}并且发送{w ,t,Pk}给每个客户端设备,其中t是第t轮联邦学习,w 是第t轮的联邦学习全局模型;

模块3,用于客户端设备Pk利用其收集到的训练数据样本进行局部学习训练得到一个局部模型参数wi,并将与局部模型参数wi相关的训练结果{Ciw,CiN}发送给感知平台CSP;其中,Ciw表示为第i个客户端的局部模型参数wi相关联的密文,CiN表示为第i个客户端设备拥有的数据样本大小的密文;

模块4,用于感知平台CSP在收到k个客户端设备发送的{Ciw,CiN}后,计算聚合数据Cw和CN;其中,Cw表示为与联邦学习全局模型相关联的密文,CN表示所有样本数量的总和的密文;

模块5,用于感知平台CSP解密并进行判断,如果联邦学习全局模型达到收敛,则本次联邦学习结束;否则,跳转到模块2开始执行下一轮联邦学习全局模型训练;

模块6,用于感知平台CSP将训练好的联邦学习全局模型发送至客户端设备,由客户端设备与请求者进行数据交互以使用联邦学习全局模型进行模型预测服务。