1.一种用于联邦学习的投毒防御方法,其特征在于,所述方法包括:将各个客户端上传的模型更新数据和客户端行为数据进行结合,得到各个客户端分别对应的多模态特征;
对每个客户端的多模态特征进行异常检测,得到异常检测结果;
基于所述异常检测结果对各个客户端的信任评分进行调整,得到调整后的信任评分;
向所述调整后的信任评分低于预设评分的目标客户端注入自适应噪声,得到恶意客户端;其中,所述自适应噪声基于所述异常检测结果生成;
基于所述调整后的信任评分对各个客户端进行加权聚合,得到全局模型;其中,所述各个客户端中包括所述恶意客户端。
2.根据权利要求1所述的用于联邦学习的投毒防御方法,其特征在于,所述模型更新数据为客户端训练后的更新数据,所述客户端行为数据至少包括上传频率和数据稀疏性信息。
3.根据权利要求1所述的用于联邦学习的投毒防御方法,其特征在于,所述多模态特征的构成公式为:vi(t)=[gi(t),bi(t)];
其中,vi(t)表示所述多模态特征,gi(t)表示客户端i在时间t时的模型更新数据,bi(t)表示客户端i在时间t时的客户端行为数据。
4.根据权利要求1所述的用于联邦学习的投毒防御方法,其特征在于,所述调整后的信任评分的计算公式为:Ti(t+1)=Ti(t)×(1-λ×αi(t));
其中,Ti(t+1)表示客户端i调整后的信任评分,Ti(t)表示客户端i调整前的信任评分,λ表示调节系数,αi(t)表示客户端i在时间t时的异常程度。
5.根据权利要求1所述的用于联邦学习的投毒防御方法,其特征在于,向所述目标客户端注入自适应噪声的公式为:gnoisy(t)=gtest(t)+∈(t)×n(t);
其中,gtest(t)表示所述恶意客户端,gtest(t)表示所述目标客户端,∈(t)表示所述自适应噪声的噪声强度系数,n(t)表示在时间t时的所述自适应噪声。
6.根据权利要求1~5任一项所述的用于联邦学习的投毒防御方法,其特征在于,所述基于所述调整后的信任评分对各个客户端进行加权聚合,得到全局模型,包括:基于所述调整后的信任评分确定各个客户端的权重;
基于所述权重对各个客户端进行加权聚合,得到全局模型。
7.一种用于联邦学习的投毒防御装置,其特征在于,所述装置包括:结合单元,用于将各个客户端上传的模型更新数据和客户端行为数据进行结合,得到各个客户端分别对应的多模态特征;
检测单元,用于对每个客户端的多模态特征进行异常检测,得到异常检测结果;
调整单元,用于基于所述异常检测结果对各个客户端的信任评分进行调整,得到调整后的信任评分;
注入单元,用于向所述调整后的信任评分低于预设评分的目标客户端注入自适应噪声,得到恶意客户端;其中,所述自适应噪声基于所述异常检测结果生成;
聚合单元,用于基于所述调整后的信任评分对各个客户端进行加权聚合,得到全局模型;其中,所述各个客户端中包括所述恶意客户端。
8.一种计算设备,所述计算设备包括:
至少一个处理器、存储器和输入输出单元;
其中,所述存储器用于存储计算机程序,所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1~6中任一项所述的方法。
9.一种计算机可读存储介质,其包括指令,当其在计算机上运行时,使得计算机执行如权利要求1~6中的任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。