1.一种抗共谋的拜占庭鲁棒隐私保护联邦学习优化方法,其特征在于,由恶意梯度筛选机制Randomcos和抗共谋的拜占庭鲁棒聚合策略组成,具体包括以下步骤:步骤1,密钥生成中心向客户端下发同态加密公钥和私钥的秘密份额(pk,ski);
步骤2,在第t轮训练迭代中,客户端Ci使用本地数据集Di进行模型训练,得到局部梯度步骤3,客户端在将局部梯度上传至中心服务器之前随机选择一个随机数ri,计算步骤4,客户端使用公钥pk加密ri-1,上传Ri和[ri-1]pk至中心服务器;
步骤5,中心服务器利用恶意梯度筛选机制Randomcos,在不知晓局部梯度明文的情况下,计算局部梯度的余弦相似度,筛选恶意客户端、抵御投毒攻击;
步骤6,根据余弦相似度对局部梯度赋予不同权值,并利用同态加密性质,在加权聚合局部梯度前对局部梯度进行去噪;
步骤7,中心服务器在密文状态下聚合局部梯度,生成全局梯度;
步骤8,客户端从中心服务器下载全局梯度密文并协作解密以更新本地模型。
2.如权利要求1所述的优化方法,其特征在于,在步骤5和步骤6中首先根据恶意梯度筛选机制Randomcos计算出的余弦相似度为局部梯度赋权,然后利用权值对局部梯度进行加权聚合,聚合过程中采用同态加密保障数据隐私性。
3.如权利要求1所述的优化方法,其特征在于,在步骤1和步骤7采用秘密共享技术拆分私钥,客户端更新模型时需协作解密,以此抵御中心服务器或客户端间的共谋攻击,增强联邦学习方案的隐私性。
4.如权利要求1-3任一项所述的优化方法,其特征在于,运用恶意梯度筛选机制Randomcos,利用随机数对局部梯度进行扰动,能够有效保护局部梯度隐私。
5.如权利要求1-3任一项所述的优化方法,其特征在于,恶意梯度筛选机制Randomcos首先要求参与联邦学习训练的客户端选择不同的随机数盲化局部梯度,然后中心服务器利用盲化后的局部梯度计算余弦相似度,筛选恶意梯度,抵御投毒攻击,保障模型鲁棒性。