申请/专利权人：湖北工业大学

申请日：2022-06-13

公开（公告）日：2024-04-12

公开（公告）号：CN115174033B

主分类号：H04L9/00

分类号：H04L9/00;H04L9/40;H04W12/122

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.10.28#实质审查的生效;2022.10.11#公开

摘要：本发明公开了一种移动群智感知中抗感知平台和用户共谋攻击的方法及系统，参与者包括一组请求者、一个感知平台CSP和一群客户端设备；假设有K个客户端设备，用Pi表示第i个客户端设备。请求者会控制自己的设备去和CSP交互训练以得到一个良好的机器学习模型。感知平台CSP生成系统参数并且选择合适的客户端设备来进行联邦学习，还要负责将训练完成后的联邦学习全局模型安全地发放给请求者。客户端设备Pi负责将自己的局部模型参数安全地上传给感知平台CSP以进行模型训练。本发明不仅能保护移动群智感知中客户端的原始数据隐私免受外部敌手攻击，同时还能够抵抗客户端和服务器一同发起共谋攻击，使得他们无法得到其他客户端的隐私数据。

主权项：1.一种移动群智感知中抗感知平台和用户共谋攻击的方法，参与者包括一组请求者、一个感知平台CSP和一群客户端设备Pi；其特征在于，所述方法包括以下步骤：步骤1：参数设定；给定一个安全参数k，感知平台CSP选择两个比特长度为k的大素数p,q，计算n＝pq,选择一个生成元其中表示小于n2且与n2互素的正整数；感知平台CSP定义一个函数Lu＝u-1，并计算μ＝Lgλmodn2-1；其中，λ为p-1与q-1的最小公倍数；感知平台CSP定义一个函数H∶将任意长的数映射到上，其中表示小于n且与n互素的正整数；感知平台CSP计算自己的公钥pkc＝n,g和私钥skc＝λ,μ，公开参数{n,g,H}；客户端设备Pi选择它的私钥计算它的公钥其中，1≤i≤K，K为客户端设备的总数；步骤2：感知平台CSP选择最合适的k个客户端设备来进行联邦学习，并且发送{wt,t,Pk}给每个客户端设备，其中，Pk＝{P1,…,Pk}为最合适的k个客户端设备，t代表第t轮联邦学习，wt是第t轮由客户端的局部模型参数wi聚合得到的联邦学习全局模型，其中t的初始值为1，并且w1的初始值为随机值；步骤2的具体实现包括以下子步骤：步骤2.1：感知平台CSP选择一个向量X＝{x1,x2,…,xd}，其中d表示根据经验选取的最优的d个状态特征数据xi；步骤2.2：感知平台CSP选择另一个向量U＝{u1,u2,…,ud}，其中ui是xi特征所对应的权重；步骤2.3：感知平台CSP使用自己的公钥pkc计算密文CX； 其中表示为明文M对应的密文；步骤2.4：计算并将{CX,CU}发送给所有客户端设备；步骤2.5：每个客户端设备通过设备传感器收集到自己的状态数据Yi＝{y1,y2,…,yd}，1≤i≤K；步骤2.6：客户端设备Pi计算并发送CDi给CSP；其中，CDi用于判断第i个客户端设备是否会被选择；步骤2.7：感知平台CSP接收到全部CDi后计算其中Dec是一个函数，skc,CDi是函数Dec的输入，其输出为一个与CDi相关的值；步骤2.8：感知平台CSP根据所有的Di选出最好的k个值所对应的客户端设备Pk＝{P1,…,Pk}并且发送{wt,t,Pk}给每个客户端设备，其中t是第t轮联邦学习，wt是第t轮的联邦学习全局模型；步骤3：客户端设备Pk利用其收集到的训练数据样本进行局部学习训练得到一个局部模型参数wi，并将与局部模型参数wi相关的训练结果{Ciw,CiN}发送给感知平台CSP；其中，Ciw表示为第i个客户端的局部模型参数wi相关联的密文，CiN表示为第i个客户端设备拥有的数据样本大小的密文；步骤4：感知平台CSP在收到k个客户端设备发送的{Ciw,CiN}后，计算聚合数据Cw和CN；其中，Cw表示为与联邦学习全局模型相关联的密文，CN表示所有样本数量的总和的密文；步骤5：感知平台CSP解密并进行判断，如果联邦学习全局模型达到收敛，则本次联邦学习结束；否则，跳转到步骤2开始执行下一轮联邦学习全局模型训练；步骤6：感知平台CSP将训练好的联邦学习全局模型发送至客户端设备，由客户端设备与请求者进行数据交互以使用联邦学习全局模型进行模型预测服务。

全文数据：

权利要求：

百度查询： 湖北工业大学 移动群智感知中抗感知平台和用户共谋攻击的方法及系统

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