模型学习方法、装置、系统及计算机可读存储介质制造方法及图纸

本发明专利技术提供了一种模型学习方法、装置、系统及计算机可读存储介质，涉及算法学习技术领域。该方法包括：获取客户端通过区域链发送的梯度并对所述梯度进行编号；按照编号根据梯度的方向和大小确定梯度是否为预报恶意梯度；通过客户端判断被确定为预报恶意梯度的梯度是否为恶意梯度，剔除被判断为恶意梯度的梯度并进行下一轮迭代，直至恶意梯度被剔除，得到非恶意梯度；对非恶意梯度进行平均聚合来更新客户端的模型，直至模型收敛。本发明专利技术的模型学习方法、装置、系统及计算机可读存储介质，通过客户端根据梯度的方向和大小以及投票机制判断出恶意梯度后将恶意梯度剔除，并对剩余的梯度进行平均聚合来更新客户端的模型并重复进行上述步骤直至模型收敛，达到了防止恶意梯度通过平均聚合更新模型后会对模型造成恶劣影响的技术效果。的技术效果。的技术效果。

【技术实现步骤摘要】
模型学习方法、装置、系统及计算机可读存储介质


[0001]本专利技术涉及算法学习
，尤其是涉及一种模型学习方法、装置、系统及计算机可读存储介质。

技术介绍

[0002]拜占庭攻击在模型学习过程中是十分常见的，恶意节点可对梯度进行任意的修改，并可向服务器发送虚假的梯度信息如从梯度的方向与模长上对数据进行修改，使得通过对修改后的梯度进行聚合来更新模型后，会对训练模型造成恶劣的影响。
[0003]因此，需要提出一种新方法以改善上述问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种模型学习方法、装置、系统及计算机可读存储介质，以改善上述技术问题。
[0005]第一方面，本专利技术实施例提供了一种模型学习方法，所述方法包括以下步骤：
[0006]获取客户端通过区域链发送的梯度并对所述梯度进行编号，其中，每个所述客户端对应一个梯度；
[0007]按照所述编号根据所述梯度的方向和大小确定所述梯度是否为预报恶意梯度；
[0008]通过所述客户端判断被确定为预报恶意梯度的所述梯度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型学习方法，其特征在于，所述方法包括：获取客户端通过区域链发送的梯度并对所述梯度进行编号，其中，每个所述客户端对应一个梯度；按照所述编号根据所述梯度的方向和大小确定所述梯度是否为预报恶意梯度；通过所述客户端判断被确定为预报恶意梯度的所述梯度是否为恶意梯度，并在所述梯度被判断为恶意梯度超过预定次数时，剔除所述梯度对应的客户端；对剩余客户端对应的梯度进行平均聚合来更新所述客户端的模型并重复上述步骤，直至所述模型收敛。2.根据权利要求1所述的模型学习方法，其特征在于，所述按照所述编号根据所述梯度的方向和大小确定所述梯度是否为预报恶意梯度，包括：计算梯度总和减去待判断的梯度的新梯度总和；对所述新梯度总和与所述待判断的梯度进行点积，得到点积结果；当所述点积结果小于零时，确定所述梯度为第一预报恶意梯度。3.根据权利要求2所述的模型学习方法，其特征在于，所述按照所述编号根据所述梯度的方向和大小确定所述梯度是否为预报恶意梯度，还包括：当所述点积结果大于零时，确定所述梯度的比例倍数；当所述比例倍数大于预设阈值时，确定所述梯度为第二预报恶意梯度。4.根据权利要求3所述的模型学习方法，其特征在于，所述比例倍数通过下式得出：其中，i为所述梯度的编号，g
i
为编号为i的梯度；为梯度总和减去待判断的梯度的新梯度总和。5.根据权利要求2或3所述的模型学习方法，其特征在于，所述通过所述客户端判断被确定为预报恶意梯度的所述梯度是否为恶意梯度，包括：通过所述客户端对被确定为第一预报恶意梯度或第二预报恶意梯度的梯度进行投票，当所述客户端中超过二分之一的客户端认为所述第一预报恶...

【专利技术属性】
技术研发人员：邱炜伟，詹士潇，曾磊，黄方蕾，张珂杰，
申请(专利权)人：杭州趣链科技有限公司，
类型：发明
国别省市：