1.一种不依赖梯度的聚类联邦学习方法,其特征在于,包括:
S1,客户端分别计算自己的标签样本的数据分布信息,获得自己与其他客户端的数据分布信息之间的交集相似度并构造交集相似度向量;
S2,服务器收集各个客户端的交集相似度向量并构建相似度矩阵;
S3,服务器基于相似度矩阵使用保证多样性的聚类方法对客户端进行聚类,并执行模型训练步骤,且在服务器检测到模型的精度下降时,跳转下一步;
S4,服务器检测恶意簇,且在确定恶意簇后,选择拥有与恶意簇中的客户端最相似数据分布、且不在恶意簇中的客户端来组成验证委员会;
S6,利用验证委员会的成员为恶意簇中成员的模型进行验证并投票决定为良性模型和恶意模型,将恶意模型排除、保留良性模型。
2.根据权利要求1所述的不依赖梯度的聚类联邦学习方法,其特征在于,步骤S1中客户端分别计算自己的标签样本的数据分布信息的函数表达式为:上式中, 以及 分别表示第1、2以及第i个客户端的单一标签的数据分布信息,且有任意第i个客户端的单一标签的数据分布信息的计算函数表达式为:其中, 表示第i个客户端的第i个索引的数据数量,idxi表示标签i的索引,Qmax表示一个预先定义的任意标签数量的最大值,且任意一个标签的数量都不可以超过这个最大值,Xi表示第i个客户端构建的数据分布信息,j为第i个客户端的第j个索引的序号。
3.根据权利要求2所述的不依赖梯度的聚类联邦学习方法,其特征在于,步骤S1中构造的交集相似度向量的函数表达式为:上式中,ISMi为第i个客户端的交集相似度向量,ISMi[1]~ISMi[j]表示第i个客户端对第1~j个客户端的数据分布相似度,|Xi∩Xj|表示第i个客户端与第j个客户端之间的数据分布的交集,Xi表示第i个客户端构建的数据分布信息,Xj表示第j个客户端构建的数据分布信息。
4.根据权利要求3所述的不依赖梯度的聚类联邦学习方法,其特征在于,步骤S2中构建的相似度矩阵的函数表达式为:上式中,Msim为相似度矩阵,任意第i行表示第i个客户端对第1~n个客户端的数据分布相似度构成的交集相似度向量。
5.根据权利要求4所述的不依赖梯度的聚类联邦学习方法,其特征在于,步骤S3中服务器基于相似度矩阵使用保证多样性的聚类方法对客户端进行聚类包括:将所有交集相似度高于阈值α的客户端聚集成候选簇集合并去重,使得该候选簇集合中包含了所有可能的聚类结果;在该候选簇集合中,计算每一个候选簇的权重,并使用贪心算法,每次选择可使负载最小的候选簇加入到最终簇集合中,直至所有客户端都被分配到最终簇集合中。
6.根据权利要求5所述的不依赖梯度的聚类联邦学习方法,其特征在于,所述计算每一个候选簇的权重的函数表达式为:上式中,Cost(S′i)表示计算候选簇S′i的成本,ID为客户端的编号,Msim[i][ID]为相似度矩阵的第i行第ID列的元素;所述负载的计算函数表达式为:上式中,Payload表示负载,S′\I表示尚未被选入最终簇的候选簇集合,S′表示候选簇集合,I表示已被选入最终簇的客户端的编号。
7.根据权利要求6所述的不依赖梯度的聚类联邦学习方法,其特征在于,步骤S4中服务器检测恶意簇是指服务器根据自己的本地数据检测最终簇集合中每个簇的精度,并选择其中精度最低的簇作为恶意簇。
8.根据权利要求7所述的不依赖梯度的聚类联邦学习方法,其特征在于,步骤S6中利用验证委员会的成员为恶意簇中成员的模型进行验证并投票决定为良性模型和恶意模型包括:利用验证委员会的成员根据自己的本地数据验证恶意簇中每个成员的模型精度,将精度低于平均值的模型成员视为恶意模型并投票,最终将对所有投票结果进行加和,票数高于平均票数的模型将被验证委员会认定为恶意模型,否则被验证委员会认定为良性模型。
9.一种不依赖梯度的聚类联邦学习系统,包括相互连接的多个客户端,所述客户端包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述不依赖梯度的聚类联邦学习方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~8中任意一项所述不依赖梯度的聚类联邦学习方法。