检测模型的训练方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术提供一种检测模型的训练方法、装置、电子设备和存储介质，涉及互联网技术领域，其中方法包括：接收服务器发送的当前通信轮次的全局模型参数；基于所述当前通信轮次的全局模型参数更新本地检测模型，得到更新后的本地检测模型的检测准确度和当前本地模型参数；在确定所述检测准确度大于或等于准确度阈值时，向所述服务器发送目标参数；所述目标参数用于所述服务器更新所述当前通信轮次的全局模型参数；所述目标参数包括所述当前本地模型参数，可以减少恶意或者性能不佳的本地模型对全局检测模型的影响，使得全局检测模型更偏向于性能好的本地检测模型，从而提高了全局检测模型的检测性能。型的检测性能。型的检测性能。

【技术实现步骤摘要】
检测模型的训练方法、装置、电子设备和存储介质


[0001]本专利技术涉及互联网
，尤其涉及一种检测模型的训练方法、装置、电子设备和存储介质。

技术介绍

[0002]随着互联网技术的广泛应用，客户端、服务器以及各种中间设备受到的网络攻击越来越多，网络攻击的检测难度也越来越大。联邦学习是某研究团队提出的分布式机器学习框架。
[0003]相关技术中，通常基于联邦学习的方法构建检测模型，并基于检测模型对网络攻击进行检测。联邦学习是将原始数据都保留在本地客户端，中心服务器会和多个本地客户端不断通信，而通信过程中交互的只是模型参数信息，不是原始数据，从而可以在保护多方数据隐私的情况下，扩充流量数据，并学习多方数据特点，最终构建得到检测模型。
[0004]但在上述联邦学习过程中，中心服务器与所有参与训练的本地客户端交互模型参数信息，这样会导致全局检测模型偏向于恶意或者性能不佳的本地模型，从而降低了全局检测模型的检测性能。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种检测模型的训练方法、装置、电子设备和存储介质。
[0006]本专利技术提供一种检测模型的训练方法，应用于客户端，所述方法包括：
[0007]接收服务器发送的当前通信轮次的全局模型参数；
[0008]基于所述当前通信轮次的全局模型参数更新本地检测模型，得到更新后的本地检测模型的检测准确度和当前本地模型参数；
[0009]在确定所述检测准确度大于或等于准确度阈值时，向所述服务器发送目标参数；所述目标参数用于所述服务器更新所述当前通信轮次的全局模型参数；所述目标参数包括所述当前本地模型参数。
[0010]根据本专利技术提供的一种检测模型的训练方法，所述在确定所述检测准确度大于或等于准确度阈值时，向所述服务器发送目标参数之后，所述方法还包括：
[0011]接收所述服务器发送的目标全局模型参数；所述目标全局模型参数为所述服务器在与客户端通信预设轮次后向所述客户端发送的；
[0012]基于所述目标全局模型参数对待检测流量数据进行入侵检测。
[0013]根据本专利技术提供的一种检测模型的训练方法，所述基于所述当前通信轮次的全局模型参数更新本地检测模型，得到更新后的本地检测模型的检测准确度和当前本地模型参数，包括：
[0014]将所述当前通信轮次的全局模型参数设置为所述本地检测模型的本地模型参数，并基于本地流量数据对所述本地检测模型进行训练，得到更新后的本地检测模型的所述检
测准确度和所述当前本地模型参数。
[0015]根据本专利技术提供的一种检测模型的训练方法，所述目标参数还包括更新后的本地检测模型的所述检测准确度和所述本地流量数据的数目。
[0016]根据本专利技术提供的一种检测模型的训练方法，在所述基于所述当前通信轮次的全局模型参数更新本地检测模型，得到更新后的本地检测模型的检测准确度和当前本地模型参数之前，所述方法还包括：
[0017]在所述服务器与客户端初次通信时，接收所述服务器发送的训练参数；所述训练参数包括全局检测模型的模型结构参数；
[0018]所述基于本地流量数据对所述本地检测模型进行训练，得到更新后的本地检测模型的所述检测准确度和所述当前本地模型参数，包括：
[0019]基于所述本地流量数据和所述全局检测模型的模型结构参数对所述本地检测模型进行训练，得到更新后的本地检测模型的所述检测准确度和所述当前本地模型参数。
[0020]根据本专利技术提供的一种检测模型的训练方法，所述方法还包括：
[0021]在确定所述检测准确度小于所述准确度阈值时，禁止向所述服务器发送所述目标参数。
[0022]本专利技术还提供一种检测模型的训练方法，应用于服务器，所述方法包括：
[0023]向各客户端发送当前通信轮次的全局模型参数；
[0024]接收目标客户端发送的目标参数；所述目标参数包括目标客户端更新后的本地检测模型的当前本地模型参数；所述目标客户端更新后的本地检测模型的检测准确度大于或等于准确度阈值；
[0025]基于各目标客户端的当前本地模型参数更新所述当前通信轮次的全局模型参数。
[0026]根据本专利技术提供的一种检测模型的训练方法，在所述基于各目标客户端的当前本地模型参数更新所述当前通信轮次的全局模型参数之后，所述方法还包括：
[0027]向各目标客户端发送目标全局模型参数；所述目标全局模型参数为所述服务器在与客户端通信预设轮次后向所述客户端发送的。
[0028]根据本专利技术提供的一种检测模型的训练方法，所述目标参数还包括更新后的本地检测模型的检测准确度和本地流量数据的数目；
[0029]所述基于各目标客户端的当前本地模型参数更新所述当前通信轮次的全局模型参数，包括：
[0030]基于各目标客户端的所述当前本地模型参数、所述检测准确度和所述本地流量数据的数目更新所述当前通信轮次的全局模型参数。
[0031]根据本专利技术提供的一种检测模型的训练方法，所述基于各目标客户端的所述当前本地模型参数、所述检测准确度和所述本地流量数据的数目更新所述当前通信轮次的全局模型参数，包括：
[0032]基于各目标客户端的所述本地流量数据的数目确定所述目标客户端的样本贡献度；
[0033]基于所述目标客户端的检测准确度确定所述目标客户端的聚合权重；
[0034]基于各目标客户端的检测准确度确定平均检测率；
[0035]基于所述平均检测率、各目标客户端的所述样本贡献度、所述聚合权重和所述当
前本地模型参数更新所述当前通信轮次的全局模型参数。
[0036]根据本专利技术提供的一种检测模型的训练方法，所述基于所述目标客户端的检测准确度确定所述目标客户端的聚合权重，包括：
[0037]基于公式(1)确定所述目标客户端的聚合权重；
[0038][0039]其中，表示目标客户端c在与所述服务器进行第r次通信时的聚合权重；表示目标客户端c在与所述服务器进行第r次通信时的检测准确度。
[0040]根据本专利技术提供的一种检测模型的训练方法，所述基于所述平均检测率、各目标客户端的所述样本贡献度、所述聚合权重和所述当前本地模型参数更新所述当前通信轮次的全局模型参数，包括：
[0041]基于公式(2)至公式(4)更新所述当前通信轮次的全局模型参数；
[0042][0043][0044][0045]其中，表示检测准确度小于所述平均检测率的目标客户端i的聚合参数；表示检测准确度大于或等于所述平均检测率的目标客户端j的聚合参数；表示检测准确度小于所述平均检测率的目标客户端i的当前本地模型参数，表示检测准确度小于所述平均检测率的目标客户端i的样本贡献率，表示检测准确度小于所述平均检测率的目标客户端i的聚合权重，表示检测准确度大于或等于所述平均检测率的目标客户端j的当前本地模型参数，表示检测准确度大于或等于所述平均检测率的目标客户端j的样本贡献率，表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测模型的训练方法，其特征在于，应用于客户端，所述方法包括：接收服务器发送的当前通信轮次的全局模型参数；基于所述当前通信轮次的全局模型参数更新本地检测模型，得到更新后的本地检测模型的检测准确度和当前本地模型参数；在确定所述检测准确度大于或等于准确度阈值时，向所述服务器发送目标参数；所述目标参数用于所述服务器更新所述当前通信轮次的全局模型参数；所述目标参数包括所述当前本地模型参数。2.根据权利要求1所述的检测模型的训练方法，其特征在于，所述在确定所述检测准确度大于或等于准确度阈值时，向所述服务器发送目标参数之后，所述方法还包括：接收所述服务器发送的目标全局模型参数；所述目标全局模型参数为所述服务器在与客户端通信预设轮次后向所述客户端发送的；基于所述目标全局模型参数对待检测流量数据进行入侵检测。3.根据权利要求1所述的检测模型的训练方法，其特征在于，所述基于所述当前通信轮次的全局模型参数更新本地检测模型，得到更新后的本地检测模型的检测准确度和当前本地模型参数，包括：将所述当前通信轮次的全局模型参数设置为所述本地检测模型的本地模型参数，并基于本地流量数据对所述本地检测模型进行训练，得到更新后的本地检测模型的所述检测准确度和所述当前本地模型参数。4.根据权利要求3所述的检测模型的训练方法，其特征在于，所述目标参数还包括更新后的本地检测模型的所述检测准确度和所述本地流量数据的数目。5.根据权利要求3所述的检测模型的训练方法，其特征在于，所述基于所述当前通信轮次的全局模型参数更新本地检测模型，得到更新后的本地检测模型的检测准确度和当前本地模型参数之前，所述方法还包括：在所述服务器与客户端初次通信时，接收所述服务器发送的训练参数；所述训练参数包括全局检测模型的模型结构参数；所述基于本地流量数据对所述本地检测模型进行训练，得到更新后的本地检测模型的所述检测准确度和所述当前本地模型参数，包括：基于所述本地流量数据和所述全局检测模型的模型结构参数对所述本地检测模型进行训练，得到更新后的本地检测模型的所述检测准确度和所述当前本地模型参数。6.根据权利要求1
‑
5任一项所述的检测模型的训练方法，其特征在于，所述方法还包括：在确定所述检测准确度小于所述准确度阈值时，禁止向所述服务器发送所述目标参数。7.一种检测模型的训练方法，其特征在于，应用于服务器，所述方法包括：向各客户端发送当前通信轮次的全局模型参数；接收目标客户端发送的目标参数；所述目标参数包括目标客户端更新后的本地检测模型的当前本地模型参数；所述目标客户端更新后的本地检测模型的检测准确度大于或等于准确度阈值；基于各目标客户端的当前本地模型参数更新所述当前通信轮次的全局模型参数。
8.根据权利要求7所述的检测模型的训练方法，其特征在于，在所述基于各目标客户端的当前本地模型参数更新所述当前通信轮次的全局模型参数之后，所述方法还包括：向各目标客户端发送目标全局模型参数；所述目标全局模型参数为所述服务器在与客户端通信预设轮次后向所述客户端发送的。9.根据权利要求7所述的检测模型的训练方法，其特征在于，所述目标参数还包括更新后的本地检测模型的检测准确度和本地流量数据的数目；所述基于各目标客户端的当前本地模型参数更新所述当前通信轮次的全局模型参数，包括：基于各目标客户端的所述当前本地模型参数、所述检测准确度和所述本地流量数据的数目更新所述当前通信轮次的全局模型参数。10.根据权利要求9所述的检测模型的训练方法，其特征在于，所述基于各目标客户端的所述当前本地模型参数、所述检测准确度和所述本地流量数据的数目更新所述当前通信轮次的全局模型参数，包括：基于各目标客户端的所述本地流量数据的数...

【专利技术属性】
技术研发人员：齐向东，刘勇，仝鑫，程龙，李建斌，刘娟，吴云坤，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：