一种安全的去中心化的图联邦学习方法技术

本发明专利技术公开了一种安全的去中心化的图联邦学习方法。它包括以下步骤：S1：将所有客户端依次编号，初始化图神经网络模型参数以及环形通信拓扑图发送到所有客户端；S2：每个客户端根据环形通信拓扑图确定一级邻居客户端、二级邻居客户端，并与其对应的每个二级邻居客户端进行密钥协商生成对应的共享密钥；S3：每个客户端对本地的图神经网络模型进行训练，更新本地的图神经网络模型参数；S4：每个客户端接收一级邻居客户端发送的图神经网络模型参数对本地的图神经网络模型进行更新；S5：重复执行步骤S3

【技术实现步骤摘要】
一种安全的去中心化的图联邦学习方法


[0001]本专利技术涉及图联邦学习
，尤其涉及一种安全的去中心化的图联邦学习方法。

技术介绍

[0002]在过去的几年中，神经网络的兴起与应用成功推动了模式识别和数据挖掘的研究。传统的深度学习方法在提取欧氏空间数据特征方面取得了巨大的成功，但实际场景中的数据很多都是从非欧式空间生成的数据，深度学习方法在此类数据上的表现难以令人满意，如图网络中每个节点的邻居节点的个数是不固定的，导致一些重要操作（例如卷积）在图像上很容易计算，但不再适合直接用于图。并且深度学习基于训练数据满足独立同分布的假设之上，样本之间不存在相互依赖关系，而图结构数据最大的特点便是不同节点之间存在许多相互依赖联系，这就导致了深度学习无法挖掘图数据的内在联系。针对于此类数据，图神经网络技术应运而生。此外，在数据日益增加，数据联系日益紧密的今天，由于用户隐私和法律法规等问题，许多数据之间不能互通，产生了许多“数据孤岛”。联邦学习（Federated Learning）这一概念由Google在2017年提出，旨在于解决跨设备之间的联合建模问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安全的去中心化的图联邦学习方法，其特征在于，包括以下步骤：S1：将参与图联邦学习的所有n个客户端依次编号为1、2、3
……
n，其中一个客户端作为训练发起方初始化图神经网络模型参数以及环形通信拓扑图，并将其发送到其他客户端；S2：每个客户端根据环形通信拓扑图确定能与自身通信的一级邻居客户端以及能与一级邻居客户端通信的二级邻居客户端，每个客户端与其对应的每个二级邻居客户端进行密钥协商生成对应的共享密钥；S3：每个客户端对本地的图神经网络模型进行训练，更新本地的图神经网络模型参数；S4：每个客户端将本地的图神经网络模型参数通过去中心化的安全聚合协议发送到一级邻居客户端，同时接收一级邻居客户端发送的图神经网络模型参数，根据一级邻居客户端发送的图神经网络模型参数对本地的图神经网络模型进行更新；S5：重复执行步骤S3
‑
步骤S4，直到所有客户端本地的图神经网络模型收敛。2.根据权利要求1所述的一种安全的去中心化的图联邦学习方法，其特征在于，所述步骤S1中的环形通信拓扑图为矩阵A，，，，，1≤i≤n，1≤j≤n，当i=j时，A
ij
≠0，其中，A
ij
表示编号为i的客户端与编号为j的客户端之间的权重系数，如果A
ij
≠0表示编号为i的客户端与编号为j的客户端能够通信，如果A
ij
=0表示编号为i的客户端与编号为j的客户端不能够通信。3.根据权利要求2所述的一种安全的去中心化的图联邦学习方法，其特征在于，所述步骤S2中某个编号为u的客户端与其对应的一个编号为v的二级邻居客户端进行密钥协商生成对应的共享密钥的方法包括以下步骤，1≤u≤n，1≤v≤n：N1：编号为u的客户端与编号为v的二级邻居客户端根据预设的安全参数k，并使用KA.param算法生成Diffle
‑
Hellman协议的公共参数pp；N2：编号为u的客户端使用KA.gen算法和公共参数pp生成公钥私钥对，将公钥发送给编号为v的二级邻居客户端，编号为v的二级邻...

【专利技术属性】
技术研发人员：裴阳，刘洋，毛仁歆，徐时峰，朱振超，
申请(专利权)人：蓝象智联杭州科技有限公司，
类型：发明
国别省市：