联邦学习的参数聚合方法和装置制造方法及图纸

本申请提供一种联邦学习的参数聚合方法和装置，其中方法包括：获取目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明，基于模型参数密文、模型准确率和密文审计证明对目标模型参数密文进行聚合以得到电力数据分析模型当前聚合节点对应的模型参数更新值，模型参数密文是目标用户基于各自的加密随机数集合对当前聚合节点对应的本地模型参数进行加密得到的，当前聚合节点对应的本地模型参数是目标用户对本地电力数据分析模型训练得到的，加密随机数集合是基于各用户两两之间的共享随机数确定的，模型准确率是基于测试集对目标用户的本地模型进行测试得到的，能保证模型准确性和训练效率，并防止数据泄露。露。露。

【技术实现步骤摘要】
联邦学习的参数聚合方法和装置


[0001]本申请涉及数据安全
，尤其涉及一种联邦学习的参数聚合方法和装置。

技术介绍

[0002]随着数据挖掘与人工智能技术的快速发展，通过合理利用电力行业与电网系统涉及的电力数据，能够解决电量预测、电网系统规划与评估等重要实际问题。但电力数据中包括大量涉及企业核心商业秘密以及用户隐私等敏感数据，这些数据一旦被泄露，将给电力行业带来重大的经济损失。近年来，在数据协同和隐私保护的双重驱动下， 基于电力数据的联邦学习受到了广泛关注。联邦学习中的模型训练过程在众多参与方本地进行，对数据中心不可见，因此采取联邦学习能够实现数据不出本地的多方协同利用，能够有效保护原始数据。
[0003]但联邦学习聚合计算过程中会面临数据投毒、搭便车、成员推理、属性推理等典型攻击行为，仍然存在隐私数据泄露的风险，且聚合模型的准确性和训练效率无法保证。因此，如何在保证模型的准确性和训练效率的基础上，防止参与训练的数据在协同计算过程中泄露已成为电力数据联邦学习中亟待解决的问题。

技术实现思路

[0004]本申请提供一种联邦学习的参数聚合方法和装置，能够在保证模型的准确性和训练效率的基础上，防止参与训练的数据在协同计算过程中泄露。
[0005]本申请提供一种联邦学习的参数聚合方法，应用于电力数据联邦学习系统的电力数据中心，包括：获取目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明；基于所述目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明，对目标模型参数密文进行聚合以得到电力数据分析模型当前聚合节点对应的模型参数更新值；其中，所述模型参数密文是所述目标用户基于各自的加密随机数集合对当前聚合节点对应的本地模型参数进行加密得到的，所述当前聚合节点对应的本地模型参数是所述目标用户对本地电力数据分析模型进行训练得到的，所述加密随机数集合是基于各用户两两之间的共享随机数确定的；所述模型准确率是基于预设测试集对所述目标用户的本地电力数据分析模型进行测试得到的；所述密文审计证明是由第三方提供的模型参数正确性证明文件。
[0006]根据本申请提供的一种联邦学习的参数聚合方法，在所述目标用户中存在当前聚合节点未上传数据的第一目标用户的情况下，所述基于所述目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明，对目标模型参数密文进行聚合，具体包括：基于所述目标用户中已上传数据的各第二目标用户当前聚合节点对应的模型参数密文、模型准确率和密文审计证明确定所述第二目标用户中满足预设条件的第三目标用
户；所述预设条件为模型参数正确且模型准确率大于预设准确率阈值；将所述第三目标用户当前聚合节点对应的模型参数密文作为目标模型参数密文，并从所述第三目标用户处获取所述第一目标用户和不满足所述预设条件的第四目标用户分别对应的加密随机数；基于所述第一目标用户和第四目标用户分别对应的加密随机数，生成所述第一目标用户和第四目标用户分别对应的加密随机数子集，并将所述第一目标用户和第四目标用户分别对应的加密随机数子集，与所述目标模型参数密文进行聚合。
[0007]根据本申请提供的一种联邦学习的参数聚合方法，所述第一目标用户和第四目标用户分别对应的加密随机数，是所述第三目标用户分别基于其与所述第一目标用户和第四目标用户的共享随机数确定的。
[0008]根据本申请提供的一种联邦学习的参数聚合方法，所述基于所述目标用户中已上传数据的各第二目标用户当前聚合节点对应的模型参数密文、模型准确率和密文审计证明确定所述第二目标用户中满足预设条件的第三目标用户，具体包括：基于各第二目标用户当前聚合节点对应的密文审计证明，确定所述第二目标用户中模型参数正确的第五目标用户；基于所述第五目标用户当前聚合节点对应的模型准确率，确定模型准确率高于预设阈值的第六目标用户；将所述第六目标用户作为所述第三目标用户。
[0009]根据本申请提供的一种联邦学习的参数聚合方法，若在从所述第三目标用户处获取所述第一目标用户和第四目标用户分别对应的加密随机数的过程中，所述第三目标用户中存在掉线的第七目标用户，所述从所述第三目标用户处获取所述第一目标用户和不满足所述预设条件的第四目标用户分别对应的加密随机数，具体包括：在所述第三目标用户中未掉线的第八目标用户的数量大于预设数量阈值的情况下，获取所述第八目标用户处的加密随机数碎片；基于所述加密随机数碎片生成所述第一目标用户和第四目标用户分别对应的加密随机数。
[0010]根据本申请提供的一种联邦学习的参数聚合方法，所述加密随机数碎片是基于预设的秘密共享协议对各用户的加密随机数集合中的加密随机数进行拆分得到的。
[0011]根据本申请提供的一种联邦学习的参数聚合方法，在所述目标用户中不存在所述第一目标用户的情况下，所述基于所述目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明，对目标模型参数密文进行聚合，具体包括：基于所述目标用户当前聚合节点对应的模型参数密文、模型准确率和密文审计证明确定所述目标用户中满足预设条件的第三目标用户；将所述第三目标用户当前聚合节点对应的模型参数密文作为目标模型参数密文，并从所述第三目标用户处获取所述第四目标用户对应的加密随机数；基于所述第四目标对应的加密随机数，生成所述第四目标用户对应的加密随机数子集，并将所述第四目标用户对应的加密随机数子集，与所述目标模型参数密文进行聚合。
[0012]本申请还提供一种联邦学习的参数聚合装置，应用于电力数据联邦学习系统的电力数据中心，包括：
数据获取模块，用于获取目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明；参数聚合模块，用于基于所述目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明，对目标模型参数密文进行聚合以得到电力数据分析模型当前聚合节点对应的模型参数更新值；其中，所述模型参数密文是所述目标用户基于各自的加密随机数集合对当前聚合节点对应的本地模型参数进行加密得到的，所述当前聚合节点对应的本地模型参数是所述目标用户对本地电力数据分析模型进行训练得到的，所述加密随机数集合是基于各用户两两之间的共享随机数确定的；所述模型准确率是基于预设测试集对所述目标用户的本地电力数据分析模型进行测试得到的；所述密文审计证明是由第三方提供的模型参数正确性证明文件。
[0013]本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述联邦学习的参数聚合方法的步骤。
[0014]本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述联邦学习的参数聚合方法的步骤。
[0015]本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述联邦学习的参数聚合方法的步骤。
[0016]本申请提供的联邦学习的参数聚合方法和装置，获取目标用户当前聚合节点上传的模型参数密本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联邦学习的参数聚合方法，应用于电力数据联邦学习系统的电力数据中心，其特征在于，包括：获取目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明；基于所述目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明，对目标模型参数密文进行聚合以得到电力数据分析模型当前聚合节点对应的模型参数更新值；其中，所述模型参数密文是所述目标用户基于各自的加密随机数集合对当前聚合节点对应的本地模型参数进行加密得到的，所述当前聚合节点对应的本地模型参数是所述目标用户对本地电力数据分析模型进行训练得到的，所述加密随机数集合是基于各用户两两之间的共享随机数确定的；所述模型准确率是基于预设测试集对所述目标用户的本地电力数据分析模型进行测试得到的；所述密文审计证明是由第三方提供的模型参数正确性证明文件。2.根据权利要求1所述的联邦学习的参数聚合方法，其特征在于，在所述目标用户中存在当前聚合节点未上传数据的第一目标用户的情况下，所述基于所述目标用户当前聚合节点上传的模型参数密文、模型准确率和密文审计证明，对目标模型参数密文进行聚合，具体包括：基于所述目标用户中已上传数据的各第二目标用户当前聚合节点对应的模型参数密文、模型准确率和密文审计证明确定所述第二目标用户中满足预设条件的第三目标用户；所述预设条件为模型参数正确且模型准确率大于预设准确率阈值；将所述第三目标用户当前聚合节点对应的模型参数密文作为目标模型参数密文，并从所述第三目标用户处获取所述第一目标用户和不满足所述预设条件的第四目标用户分别对应的加密随机数；基于所述第一目标用户和第四目标用户分别对应的加密随机数，生成所述第一目标用户和第四目标用户分别对应的加密随机数子集，并将所述第一目标用户和第四目标用户分别对应的加密随机数子集，与所述目标模型参数密文进行聚合。3.根据权利要求2所述的联邦学习的参数聚合方法，其特征在于，所述第一目标用户和第四目标用户分别对应的加密随机数，是所述第三目标用户分别基于其与所述第一目标用户和第四目标用户的共享随机数确定的。4.根据权利要求2所述的联邦学习的参数聚合方法，其特征在于，所述基于所述目标用户中已上传数据的各第二目标用户当前聚合节点对应的模型参数密文、模型准确率和密文审计证明确定所述第二目标用户中满足预设条件的第三目标用户，具体包括：基于各第二目标用户当前聚合节点对应的密文审计证明，确定所述第二目标用户中模型参数正确的第五目标用户；基于所述第五目标用户当前聚合节点对应的模型准确率，确定模型准确率高于预设阈值的第六目标用户；将所述第六目标用户作为所述第三目标用户。5.根据权利要求3所述的联邦学习的参数聚合方法，其特征在于，若在从所述第三目标用户处获取所述第一目标用...

【专利技术属性】
技术研发人员：张黎，刘维炜，陈广辉，
申请(专利权)人：闪捷信息科技有限公司，
类型：发明
国别省市：