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: 2024102250039
申请人: 华侨大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
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.抗拜占庭攻击隐私保护联邦学习方法, 其特征在于,包括:

调用预设的中央服务器,将预设的初始全局模型广播至参与训练的联邦学习客户端;

所述参与训练的联邦学习客户端根据预设的本地数据集对接收到的初始全局模型进行训练更新处理,采用加法秘密共享技术将预设的本地模型划分成两个部分,并分别发送给所述中央服务器和预设的辅助服务器;

控制所述辅助服务器进行计算处理,计算生成满足预设差分隐私的噪声,将所述满足预设差分隐私的噪声添加至客户端的所述本地模型共享上,并将带有噪声的本地模型共享发送至所述中央服务器,所述中央服务器恢复生成每个参加训练的客户端的带噪声的本地模型;

调用所述中央服务器在每一所述客户端的带噪声的本地模型上,进行拜占庭客户端检测算法处理,并将合法客户端的名单发送给所述辅助服务器;

所述辅助服务器根据所述合法客户端的名单,将所有合法客户端的本地模型的共享部分进行聚合处理,生成聚合结果,并将所述聚合结果发送至所述中央服务器,所述中央服务器对所述聚合结果进行进一步的聚合处理,聚合所有合法客户端的本地模型,生成新一轮全局模型,并将所述新一轮全局模型广播给所有的客户端,以用于下一轮的联邦学习模型更新;

重复以上步骤,直至所述新一轮全局模型达到预设标准,以完成全局模型的抗拜占庭攻击的隐私保护联邦学习;其中,采用加法秘密共享技术将预设的本地模型划分成两个部分,具体为:在第 轮迭代中,客户端 根据所述本地数据集 对第 轮接收到的全局模型进行训练更新处理,得到第 轮的本地模型 ;

采用加法秘密共享技术将所述第 轮的本地模型 分为第一部分 和第二部分,其中, ;

将所述第一部分 和所述第二部分 分别发送给所述中央服务器和所述辅助服务器;

控制所述辅助服务器进行计算处理,计算生成满足预设差分隐私的噪声,将所述满足预设差分隐私的噪声添加至客户端的所述本地模型共享上,并将带有噪声的本地模型共享发送至所述中央服务器,所述中央服务器恢复生成每个参加训练的客户端的带噪声的本地模型,具体为:控制所述辅助服务器进行计算处理;

在所述辅助服务器计算客户端 的本地模型共享 之后,按照公式

进行扰动处理,其中, 是满足预设差分隐私的噪声;

将带噪声的本地模型共享 发送给所述中央服务器,其中 ,是客户端的数量;

所述中央服务器按照公式 计算得到客户端 的带噪声的本地

模型 ;

调用所述中央服务器在每一所述客户端的带噪声的本地模型上,进行拜占庭客户端检测算法处理,并将合法客户端的名单发送给所述辅助服务器,具体为:控制所述中央服务器在所有客户端的带噪声的本地模型 上执行拜

占庭客户端检测算法处理,其中,所述拜占庭客户端检测算法处理包含Multi‑Krum算法;

选出参与本轮模型聚合的 个合法客户端 ,并将这些客户端的ID 发送给所述辅助服务器,其中 ;

所述辅助服务器根据所述合法客户端的名单,将所有合法客户端的本地模型的共享部分进行聚合处理,生成聚合结果,并将所述聚合结果发送至所述中央服务器,所述中央服务器对所述聚合结果进行进一步的聚合处理,聚合所有合法客户端的本地模型,生成新一轮全局模型,并将所述新一轮全局模型广播给所有的客户端,以用于下一轮的联邦学习模型更新,具体为:所述辅助服务器根据所述中央服务器发送的合法客户端名单,按照公式进行聚合处理,聚合所有合法客户端的本地模型共享部分,生成聚合结果 ,并把所述聚合结果 发送给所述中央服务器;

所述中央服务器按照公式 对所述聚合结果 进行进

一步的聚合处理,聚合所有合法客户端的本地模型,得到第 轮的全局模型 ,并将所述第 轮的全局模型 广播给所有客户端,以用于下一轮联邦学习模型更新。

2.抗拜占庭攻击隐私保护联邦学习装置,用于实现如权利要求1所述的抗拜占庭攻击隐私保护联邦学习方法,其特征在于,包括:广播单元,用于调用预设的中央服务器,将预设的初始全局模型广播至参与训练的联邦学习客户端;

训练更新单元,用于所述参与训练的联邦学习客户端根据预设的本地数据集对接收到的初始全局模型进行训练更新处理,采用加法秘密共享技术将预设的本地模型划分成两个部分,并分别发送给所述中央服务器和预设的辅助服务器;

噪声添加单元,用于控制所述辅助服务器进行计算处理,计算生成满足预设差分隐私的噪声,将所述满足预设差分隐私的噪声添加至客户端的所述本地模型共享上,并将带有噪声的本地模型共享发送至所述中央服务器,所述中央服务器恢复生成每个参加训练的客户端的带噪声的本地模型;

拜占庭客户端检测算法单元,用于调用所述中央服务器在每一所述客户端的带噪声的本地模型上,进行拜占庭客户端检测算法处理,并将合法客户端的名单发送给所述辅助服务器;

聚合单元,用于所述辅助服务器根据所述合法客户端的名单,将所有合法客户端的本地模型的共享部分进行聚合处理,生成聚合结果,并将所述聚合结果发送至所述中央服务器,所述中央服务器对所述聚合结果进行进一步的聚合处理,聚合所有合法客户端的本地模型,生成新一轮全局模型,并将所述新一轮全局模型广播给所有的客户端,以用于下一轮的联邦学习模型更新;

隐私保护联邦学习单元,用于重复以上步骤,直至所述新一轮全局模型达到预设标准,以完成全局模型的抗拜占庭攻击的隐私保护联邦学习。

3.抗拜占庭攻击隐私保护联邦学习设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1所述的抗拜占庭攻击隐私保护联邦学习方法。

4.可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被该存储介质所在设备的处理器执行,以实现如权利要求1所述的抗拜占庭攻击隐私保护联邦学习方法。