申请/专利权人：华侨大学

申请日：2024-02-29

公开（公告）日：2024-04-02

公开（公告）号：CN117808082A

主分类号：G06N3/098

分类号：G06N3/098;G06F21/62;H04L9/08;G06F18/24;G06F18/27

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明提供了抗拜占庭攻击隐私保护联邦学习方法、装置、设备及介质，采用双服务器架构，包括：中央服务器广播初始全局模型；客户端本地训练，采用秘密共享分发本地模型；辅助服务器添加差分隐私噪声保护本地模型隐私；中央服务器在带噪声的本地模型上检测拜占庭客户端；中央服务器和辅助服务器通过安全计算实现合法客户端本地模型安全聚合。本发明创新性地提出了安全多方计算与差分隐私相结合的方法，有效降低了在保护隐私的同时检测联邦学习拜占庭客户端的计算通信开销，提高了联邦学习的安全性与算法效率。

主权项：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集合处理，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。

全文数据：

权利要求：

百度查询： 华侨大学 抗拜占庭攻击隐私保护联邦学习方法、装置、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD