申请/专利权人：西北工业大学

申请日：2024-01-04

公开（公告）日：2024-04-05

公开（公告）号：CN117829271A

主分类号：G06N3/098

分类号：G06N3/098;G06N3/0985;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明公开了一种抵御虚假数据注入攻击的韧性去中心化联邦学习方法，涉及去中心化联邦学习方法技术领域，在去中心化联邦学习的模型训练中，采用基于梯度下降的分布式优化方法，通过各个客户端与邻居客户端之间交换本地客户端模型训练的模型参数和用于追踪全局梯度的辅助状态变量，并利用所发明的客户端之间耦合权重自适应更新机制，更新耦合权重，进而迭代地识别并排除虚假数据注入攻击。基于更新后的耦合权重以及邻居客户端所发送的信息，各个本地客户端迭代地聚合更新本地模型参数，以获得最优模型参数。本发明解决了传统去中心化联邦学习由于虚假数据注入攻击，破坏联邦学习机制，损害模型性能，以及破坏用户数据隐私安全的问题。

主权项：1.一种抵御虚假数据注入攻击的韧性去中心化联邦学习方法，其特征在于，包括以下步骤：S1：通过机器学习算法的初始化，获得本地客户端的初始模型参数xi0，并利用反向传播获得与初始模型参数xi0对应的梯度信息并将梯度信息作为追踪全局梯度状态变量yi0的初始值；S2：基于全局梯度状态变量的初始值，计算各个本地客户端的全局梯度追踪变量yik，并根据全局梯度追踪变量yik得到辅助状态变量值同时基于客户端之间的通信拓扑关系，将本地模型参数xik和辅助状态变量发送给相应的邻居客户端，用于更新耦合权重和模型参数；S3：在接收到所有邻居客户端发送的信息后，利用各个本地客户端根据强化学习中的Reward思想自适应更新客户端之间的耦合权重值aijk，并基于邻居客户端发送的本地模型参数和自身模型参数，聚合获得更新后的本地模型参数xik+1；S4：基于更新后的本地模型参数xik+1，利用各个客户端随机选取一批本地训练数据，采用机器学习算法进行训练，并通过反向传播获得更新后的本地模型参数对应的梯度信息S5：基于更新后的模型参数对应的梯度信息利用各个客户端接收领居客户端的辅助状态变量更新对应的历史累计数据并根据更新后的耦合权重值aijk，选择对应的历史累计数据进行聚合，获得更新后的全局梯度追踪变量yik+1；S6：基于更新后的本地模型参数xik+1和更新后的全局梯度追踪变量yik+1，利用测试集数据进行测试，并判断模型精度是否达到要求，如果否，则返回步骤S2进行重复迭代，如果是，则结束迭代，完成抵御虚假数据注入攻击的韧性去中心化联邦学习。

全文数据：

权利要求：

百度查询： 西北工业大学 一种抵御虚假数据注入攻击的韧性去中心化联邦学习方法

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