申请/专利权人：西安电子科技大学

申请日：2021-02-26

公开（公告）日：2024-05-07

公开（公告）号：CN113157434B

主分类号：G06F9/50

分类号：G06F9/50;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.05.07#授权;2021.08.10#实质审查的生效;2021.07.23#公开

摘要：一种横向联邦学习系统用户节点的激励方法及系统，激励方法通过构建基于复利原理的激励机制，联邦学习任务发布者根据总预算以及用户信息计算各用户的报酬基数以及回报率，并计算各用户的最终报酬；通过为诚实用户、恶意用户和不可靠用户设置不同的回报率，使得三类用户获得不同的最终报酬，进而达到对诚实用户的激励以及对其他用户的抑制。本发明同时还提供了一种实现上述激励方法的系统、终端以及计算机可读存储介质。本发明能够抑制恶意用户参与联邦学习，鼓励诚实用户长期参与联邦学习。最终提高联邦学习系统的安全性与可靠性。

主权项：1.一种横向联邦学习系统用户节点的激励方法，其特征在于：构建基于复利原理的激励机制，该激励机制的数学表达式如下：式中，Ru为用户u的最终报酬，pu为用户u的报酬基数，ru为用户u的回报率，ku为用户u参与联邦学习的有效轮数；联邦学习任务发布者根据总预算以及用户信息计算各用户的报酬基数以及回报率，并计算各用户的最终报酬；通过为诚实用户、恶意用户和不可靠用户设置不同的回报率，使得三类用户获得不同的最终报酬，进而达到对诚实用户的激励以及对其他用户的抑制；回报率的计算表达式如下： 式中，a表示任务发布者的恶意行为容忍度，b表示任务发布者的总支付预算，表示假设用户u参与系统全部T轮全局迭代的总能量消耗和数据成本之和，T为系统迭代轮数，εu表示用户u的本地模型精度，ku为用户u参与联邦学习的有效轮数，n表示参与每轮迭代的用户数量；报酬基数的计算表达式如下： 式中，a表示任务发布者的恶意行为容忍度，xu表示用户u参与联邦学习的迭代轮数，Cu是用户u参与联邦学习的总成本，总成本等于能量消耗和数据成本之和；各用户根据决定是否参与联邦学习任务，若参与，则上传其相关参数，相关参数包括计算资源、本地数据量、本地模型精度以及单位数据成本；服务器选择满足联邦学习要求的用户，不满足要求的用户拒绝其参与联邦学习；估算各用户参与联邦学习的回报率区间，并公开发布；用户根据回报率区间最终决定是否参与本次联邦学习，若用户不参与，则自动退出；参与联邦学习的回报率上限计算表达式如下： 其中，表示获取参与资格的用户中最优的n个用户参与全部T轮全局迭代的总能量消耗和数据成本之和，n表示参与每轮迭代的用户数量；参与联邦学习的回报率下限计算表达式如下： 其中，T为最大全局迭代次数，ε*为本地精度阈值；所述的回报率区间为参与联邦学习的用户与服务器进行协作完成联邦学习，聚合服务器完成全局模型迭代更新与用户的行为检测并记录相关信息；聚合服务器为每个用户设置参数xu,ku来记录用户u参与联邦学习的迭代轮数与有效轮数，联邦学习开始前将该参数置为0；在每一次全局模型更新时，聚合服务器对各用户进行行为检测，针对不同的检测结果，对参数xu,ku进行不同的操作，参数xu表示用户u参与联邦学习的迭代轮数，参数ku为用户u参与联邦学习的有效轮数；聚合服务器根据各用户的行为检测结果对参数xu,ku进行操作的方式如下：Case1，用户u有效参与一轮联邦学习，则xu取值增加1，ku取值增加1；有效参与指用户在系统规定最大传输时间内向聚合服务器上传模型精度达到联邦学习要求的本地模型参数；Case2，用户u上传本地模型超时，则参数xu,ku的取值不变；上传本地模型超时指在系统规定最大传输时间内聚合服务器未收到用户u上传的模型参数，该用户被视为不可靠用户；Case3，聚合服务器检测到用户u的恶意行为，则参数ku的取值不变，xu的取值加1，然后服务器检测xu-ku是否大于a的取值，若大于，则将该节点从系统中剔除；这里的恶意行为指若用户u在最大传输时间内向聚合服务器上传本地模型参数，但经聚合服务器检验，此模型参数不符合联邦学习规定，包括数据异常或本地模型精度小于规定要求。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种横向联邦学习系统用户节点的激励方法及系统

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