基于联邦学习的安全训练模型构建方法、装置、系统制造方法及图纸

本发明专利技术实施例涉及计算机技术领域，尤其涉及一种基于联邦学习的安全训练模型构建的方法、装置、系统及存储介质。该方法包括：获取各个节点上传的经过差分隐私处理之后的当前训练数据，获取各个节点的对应的至少一个历史训练数据和历史降维差值，基于各个节点的当前训练数据、历史训练数据和历史降维差值，确定各个节点的状态，利用预测和真的结果进行对比判定当前的节点是否发生故障，根据状态对各个节点进行筛选，确定筛选结果，基于筛选结果，对预配置的初始模型进行训练，确定目标模型并分发至各个节点。这样就能剔除掉联邦学习过程中出现的异常的点，极大的提高了工作效率。极大的提高了工作效率。极大的提高了工作效率。

Construction method, device and system of safety training model based on Federated learning

【技术实现步骤摘要】
基于联邦学习的安全训练模型构建方法、装置、系统


[0001]本专利技术实施例涉及计算机
，尤其涉及一种基于联邦学习的安全训练模型构建的方法、装置、系统及存储介质。

技术介绍

[0002]联邦学习(Federated Learning)是一种分布式机器学习框架，其支持多个节点在不交换本地数据的情况下协作训练模型。由于联邦学习目前还处在发展初期，还面临着众多的安全问题急需解决。在电力联邦学习系统中，各电力节点提供的数据质量可能参差不齐，有些节点可能因为遭受外部攻击或者内部故障导致向聚合服务器上传错误参数或停止向聚合服务器发送参数等等，导致全局模型性能下降。
[0003]因此，需要一种异常节点的检测方法，解决上述问题。

技术实现思路

[0004]鉴于此，为解决现有技术中上述技术问题，本专利技术实施例提供基于联邦学习的安全训练模型构建的方法、装置、系统及存储介质。
[0005]第一方面，本专利技术实施例提供一种基于联邦学习的安全训练模型构建的方法，该方法包括：
[0006]获取各个节点上传的经过差分隐私处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的安全训练模型构建方法，其特征在于，包括：获取各个节点上传的经过差分隐私处理之后的当前训练数据，其中，所述当前训练数据是各个所述节点对预配置在各个节点中的初始模型进行训练之后得到的；获取所述各个节点的对应的至少一个历史训练数据和历史降维差值；基于各个所述节点的当前训练数据、历史训练数据和历史降维差值，确定各个所述节点的状态；根据所述状态对各个所述节点进行筛选，确定筛选结果；基于所述筛选结果，对所述预配置的初始模型进行训练，确定目标模型并分发至各个所述节点。2.根据权利要求1所述的方法，其特征在于，所述基于各个所述节点的当前训练数据、历史训练数据和历史降维差值，确定各个所述节点的状态，包括：获取全部所述节点中第i个所述节点的历史训练数据；确定所述历史训练数据和所述当前训练数据的真实差值；将所述真实差值送入至预设的降维模型，确定降维之后的真实降维差值；将第i个所述节点对应的至少一个历史降维差值送入预设的预测模型，确定预测降维差值，其中，i为正整数；将所述预测降维差值送入至预设的增维模型，确定对应的预测差值；基于所述真实差值，所述预测差值，所述真实降维差值，所述预测降维差值，确定各个所述节点的状态。3.根据权利要求2所述的方法，其特征在于，所述基于所述真实差值，所述预测差值，所述真实降维差值，所述预测降维差值，确定各个所述节点的状态，包括：判断所述真实差值和所述预测差值之间的第一欧式距离与预设的第一阈值之间的关系，确定第一判断结果；判断所述真实降维差值和所述预测降维差值之间的第二欧式距离与预设的第二阈值之间的关系，确定第二判断结果；基于所述第一判断结果和所述第二判断结果，确定第i个所述节点的状态。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一判断结果和所述第二判断结果，确定第i个所述节点的状态，包括：当第一欧式距离小于所述第一阈值，且所述第二欧式距离小于所述第二阈值时，确定第i个所述节点状态为第一状态；当第一欧式距离大于所述第一阈值，且所述第二欧式距离小于所述第二阈值时，或第一欧式距离小于所述第一阈值，且所述第二欧式距离大于所述第二阈值时，确定第i个所述节点状态为第二状态；当第一欧式距离大于所述第一阈值，且所述第二欧式距离...

【专利技术属性】
技术研发人员：黄秀丽，石聪聪，费稼轩，于鹏飞，高先周，
申请(专利权)人：国家电网有限公司大数据中心国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：