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: 2025117577688
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
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:

1.一种Non-IID联邦学习后门攻击防御方法,其特征在于,包括以下步骤:

S1、客户端特征提取与上传:客户端对本地数据集执行截断奇异值分解,提取前p个左奇异向量并上传服务器;

S2、服务器聚类分组:服务器计算客户端间左奇异向量的余弦相似度,构建相似性矩阵,用层次聚类分组;

S3、服务器权重分配:服务器用干净基准数据集做截断奇异值分解得基准向量,用缩放点积注意力机制计算客户端与基准的相似度得分,分配聚合权重;

S4、模型分发与本地训练:服务器初始化全局模型,随机选客户端分发;选中客户端用本地数据训练,上传本地模型参数;

S5、模型聚合与迭代优化:服务器按权重在聚类内加权聚合模型参数,生成新全局模型下发,重复流程至收敛。

2.根据权利要求1所述的Non-IID联邦学习后门攻击防御方法,其特征在于,所述客户端特征提取与上传具体是指:每个客户端基于本地数据集执行截断奇异值分解,通过SVD:,将数据集分解为左奇异向量矩阵、奇异值矩阵及右奇异向量矩阵,保留前p个最大的奇异值对应的左奇异向量得到左奇异向量矩阵,并将上传至中央服务器。

3.根据权利要求2所述的Non-IID联邦学习后门攻击防御方法,其特征在于,所述服务器聚类分组具体是指:中央服务器接收所有客户端{, ,…}的左奇异向量后,计算任意两个客户端与的左奇异向量矩阵和的余弦相似度,构建相似性矩阵S;然后服务器根据相似性矩阵使用层次聚类方法对客户端进行聚类,将满足预设相似度阈值的客户端归为同一组。

4.根据权利要求3所述的Non-IID联邦学习后门攻击防御方法,其特征在于,所述服务器聚类分组包括以下步骤:步骤S21:服务器计算每对客户端和之间的左奇异向量矩阵和的余弦相似度,其中和分别表示左奇异向量矩阵中的一个左奇异向量,以此得到相似性矩阵,其中表示客户端和之间的余弦相似性度量;

步骤S22:以所有客户端为初始个体簇,基于步骤S21计算得到的相似性矩阵,执行自底向上的层次聚类:不断合并相似性度量最高的两个簇,直至满足预设的簇间最小相似度阈值β或达到预设的聚类数量M。

5.根据权利要求2所述的Non-IID联邦学习后门攻击防御方法,其特征在于,所述服务器权重分配具体是指:服务器预先获取干净基准数据集,对执行截断奇异值分解得到基准左奇异向量矩阵;在每个聚类中,服务器使用缩放点积注意力机制计算由步骤S1中得到的每个客户端的与之间的相似性,并使用计算得到的结果为每个客户端分配权重。

6.根据权利要求5所述的Non-IID联邦学习后门攻击防御方法,其特征在于,所述服务器权重分配包括以下步骤:步骤S31:服务器使用截断奇异值分解得到其左奇异向量矩阵;

步骤S32:第k个聚类中的客户端集合为,服务器计算第i个客户端的与基准数据集的间的缩放点积注意力得分,其中表示的维度,用于缩放点积结果,以保证数值的稳定性;

步骤S33:在每个聚类内部根据步骤S32得到的缩放点积注意力得分来计算得到客户端在聚合时的权重,其中是当前聚类中的客户端总数,是指数函数,即。

7.根据权利要求6所述的Non-IID联邦学习后门攻击防御方法,其特征在于,所述模型分发与本地训练是指:服务器初始化全局模型,在第t轮通信时随机选取部分客户端,将全局模型下发至选中的客户端;选中的客户端基于本地数据集采用随机梯度下降算法训练模型,得到本地模型,并将上传至服务器。

8.根据权利要求7所述的Non-IID联邦学习后门攻击防御方法,其特征在于,所述模型聚合与迭代优化是指:服务器在每个聚类内,基于步骤S33得到的聚合权重对该聚类内客户端的本地模型进行加权聚合,得到聚类内新一轮全局模型,其中表示第k个聚类中的客户端集合;将下发至对应聚类的客户端,重复步骤S1-S5,直至模型收敛或达到预设训练轮次。

9.一种Non-IID联邦学习后门攻击防御系统,其特征在于,包括:

客户端特征提取与上传模块:通过客户端对本地数据集执行截断奇异值分解,提取前p个左奇异向量并上传服务器;

服务器聚类分组模块:通过服务器计算客户端间左奇异向量的余弦相似度,构建相似性矩阵,用层次聚类分组;

服务器权重分配模块:服务器用干净基准数据集做截断奇异值分解得基准向量,用缩放点积注意力机制计算客户端与基准的相似度得分,分配聚合权重;

模型分发与本地训练模块:通过服务器初始化全局模型,随机选客户端分发;选中客户端用本地数据训练,上传本地模型参数;

模型聚合与迭代优化模块:服务器按权重在聚类内加权聚合模型参数,生成新全局模型下发,重复流程至收敛。

10.一种计算机可读存储介质,存储有计算机程序,其特征在于,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8中任一项所述Non-IID联邦学习后门攻击防御方法。