1.一种用于抵御联邦学习后门攻击的防御方法,其特征在于,包括:S1.通过服务器将初始化客户端全局模型并随机分发至客户端集合,并基于客户端本地数据进行模型的训练更新;
S2.模型更新量被服务器收集后基于更新方向相似度进行层次聚类;
S3.对层次聚类中每个方向聚类得到的簇,提取对应客户端模型更新所使用的L2范数作为幅度特征,采用轮廓系数确定最优子簇数目并进行二次聚类;
S4.对二次聚类后得到的每个子簇,以多组模型更新量更新幅度的中位数作为剪裁阈值,计算各节点的缩放比例,对幅度超出阈值的更新进行缩放;
S5.服务器聚合所有经剪裁后的模型更新量,通过加权平均生成新一代全局模型,并将其分发至客户端群体,完成本轮迭代;
S6.重复上述S1-S5步骤,直至模型收敛或达到预定的训练轮次;
所述S3步骤中进行二次聚类的具体操作流程包括:对于对层次聚类中每个方向聚类得到的簇进行簇内细化分析;
计算簇内各个客户端模型更新量的L2范数作为幅度特征,有计算公式为:其中,和分别为客户端和的模型更新量;
在每个簇内部,基于幅度特征,获取更新幅度向量;
使用轮廓系数自适应确定最佳聚类数目,对更新幅度向量进行二次聚类;
所述轮廓系数的数学表达公式为:
其中,为点与同一簇内所有其他点的平均距离,是点到最近邻簇中所有点的平均距离,用于选取距离与中的较大值,确保轮廓系数的取值范围在[-1, 1]之间。
2.如权利要求1所述的用于抵御联邦学习后门攻击的防御方法,其特征在于,所述S1步骤中的具体操作流程包括:在第t轮通信开始时,随机选取客户端参与本轮训练并将当前客户端全局模型下发至选取的客户端;
每个选中的客户端使用其本地数据集进行本地训练,得到本地模型;
计算客户端在该轮的模型更新量,有:
其中,为本地模型,为全局模型;
将该更新量作为模型更新量上传至服务器。
3.如权利要求1所述的用于抵御联邦学习后门攻击的防御方法,其特征在于,所述S2步骤中模型更新量进行层次聚类的具体操作流程包括:计算任两组客户端和获取的模型更新量之间的余弦相似度,以量化不同模型更新量更新方向的一致性,有计算公式为:其中,和分别表示为客户端和输出的模型更新量,表示对模型更新量和进行向量点积操作,和分别表示模型更新量和在执行模型更新过程中的L2范数;
以所有客户端的模型更新量为初始个体簇,基于上述计算得到的余弦相似度矩阵,执行自底向上的层次聚类;
不断合并余弦相似度最高的两个簇,直至满足预设的簇间最小相似度阈值或达到预设的聚类数量。
4.如权利要求1所述的用于抵御联邦学习后门攻击的防御方法,其特征在于,所述S4步骤的具体操作流程包括:对于对二次聚类后得到的每个子簇计算该子簇内所有客户端更新幅度的中位数,有计算公式为:,表示为计算中位数;
对子簇内的每一个客户端,若其模型更新参数的L2范数大于则缩放其模型更新参数,使其与一致。
5.如权利要求4所述的用于抵御联邦学习后门攻击的防御方法,其特征在于,所述客户端进行模型更新参数缩放的具体操作流程包括:计算模型更新参数缩放的缩放因子,有计算公式为:;
当时,对模型更新参数按比例进行缩放,有缩放公式为:,否则保持不变,其中,和分别为剪枝前后的模型更新参数。
6.如权利要求1所述的用于抵御联邦学习后门攻击的防御方法,其特征在于,所述S5步骤中的具体操作流程包括:对经过剪裁后的所有客户端的有效更新量进行加权平均聚合得到新一轮的全局模型,有加权平均聚合的计算公式为:其中,为上一轮的全局模型,为参与聚合的客户端数量;
将更新后的全局模型下发至客户端,用于开启轮训练。
7.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
8.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。