【技术实现步骤摘要】
识别异常客户端方法、装置、计算机设备和存储介质
[0001]本申请涉及信息安全和人工智能
，特别是涉及一种识别异常客户端方法、装置、计算机设备和存储介质。
技术介绍
[0002]随着金融业发展，金融业需要各种的人工智能模型来辅助金融业数据处理，但是在训练人工智能模型的过程中，往往会受到异常客户端的攻击数据的破坏，从而导致人工智能模型受到攻击无法正常运行，因此如何防御异常客户端的攻击数据是当前研究的重点。
[0003]传统识别异常客户端方式是通过人工检测每个客户端的训练数据，并通过人工识别各训练数据中的攻击数据，将攻击数据对应的客户端作为异常客户端，从而防御异常客户端对人工智能模型的攻击风险。但是在大量客户端传输大量训练数据的情况下，人工筛查攻击数据的精准度较低，需要耗费大量人力成本，且人工筛查容易出现数据遗漏，从而导致对异常客户端的识别效果较差。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种识别异常客户端方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
...
【技术保护点】
【技术特征摘要】
1.一种识别异常客户端方法，其特征在于，所述方法包括：获取多个客户端的训练数据；针对预设的每个中位数算法，通过中位数置信度区间算法，计算所述中位数算法对应的训练数据的置信度区间界值，并根据所述中位数算法的置信度区间界值、以及所述中位数算法对应的训练数据，确定所述中位数算法对应的置信度区间；基于各所述中位数算法对应的置信度区间，将不满足各所述中位数算法的置信度区间的训练数据对应的客户端，标记为第一异常客户端；基于梯度距离算法、以及各所述客户端的训练数据，计算各所述客户端的梯度距离，并在各所述梯度距离中，筛选满足梯度距离条件的客户端，标记为第二异常客户端；将同时标记为第一异常客户端、以及第二目标客户端的客户端，作为目标异常客户端。2.根据权利要求1所述的方法，其特征在于，所述通过中位数置信度区间算法，计算所述中位数算法对应的训练数据的置信度区间界值，包括：在各所述训练数据中，随机抽取多个样本训练数据，并获取各所述样本训练数据的数据标识；所述数据标识用于标识所述训练数据是否为攻击数据；对所有样本训练数据进行正态分布处理，得到样本分布序列，并基于所述样本分布序列、以及所有样本训练数据的数据标识，通过中位数置信度区间算法，计算所述中位数算法对应的置信度区间界值。3.根据权利要求2所述的方法，其特征在于，所述根据所述中位数算法的置信度区间界值、以及所述中位数算法对应的训练数据，确定所述中位数算法对应的置信度区间，包括：根据所述中位数算法对应的训练数据、以及所述中位数算法的置信度区间界值、以及所述中位数算法对应的置信度区间算法，计算第一置信度区间；基于中位数算法对应的训练数据的中位数、所述中位数算法的置信度区间界值、以及训练数据置信度区间算法，筛选第二置信度区间；将所述第一置信度区间、与所述第二置信度区间的交叠区间，作为所述中位数算法对应的置信度区间。4.根据权利要求3所述的方法，其特征在于，所述根据所述中位数算法对应的训练数据、以及所述中位数算法的置信度区间界值、以及所述中位数算法对应的置信度区间算法，计算第一置信度区间，包括：将所述中位数算法的置信度区间界值替换为所述中位数算法对应的置信度区间算法的界值参数，得到已优化的置信度算法，并根据所述中位数算法对应的训练数据，通过已优化的置信度算法，计算第一置信度区间。5.根据权利要求3所述的方法，其特征在于，所述将基于中位数算法对应的训练数据的中位数、所述中位数算法的置信度区间界值、以及训练数据置信度区间算法，筛选第二置信度区间，包括：基于各所述训练数据的中位数，对各所述训练数据进行排序处理，得到训练数据序列，并基于所述训练数据序列，将各所述训练数据划分为多个大小等分的数据组；根据所述中位数所在的数据组、以及所述中位数算法的置信度区间界值，通过训练数据置信度区间算法，计算所有训练数据的初始第二置信度区间的上限值、以及所述初始第二置信度区间的下限值；
在所有数据组的训练数据中，查询所述初始第二置信度区间的上限值对应的训练数据，以及所述初始第二置信度区间的下限值对应的训练数据，并将所述训练数据序列中所述上限值对应的训练数据，以及所述下限值对应的训练数据之间的所有训练数据，作为各所述训练数据的第二置信度区间。6.根据权利要求1所述的方法，其特征在于，所述基于各所述中位数算法对应的置信度区间，将不满足各所述中位数算法的置信度区间条件的训练数据对应的客户端，标记为第一异常客户端，包括：将同时为所有中位数算法对应的置信度区间中的训练数据之...
【专利技术属性】
技术研发人员：张诚，程佩哲，韩玮祎，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。