联邦学习模型的训练方法、装置及汽车制造方法及图纸

本发明专利技术提供一种联邦学习模型的训练方法、装置及汽车，涉及数据处理技术领域。该方法包括：路侧单元接收来自汽车的模型训练信息。路侧单元对数字签名进行校验，并在数字签名通过校验的情况下，确定第一时长和目标数据量是否满足预设安全条件。若第一时长和目标数据量满足预设安全条件，路侧单元则向区块链发送加密后的第一梯度信息。路侧单元从区块链获取加密后的全局梯度信息。路侧单元向汽车发送加密后的全局梯度信息，汽车用于基于加密后的全局梯度信息对待训练模型进行训练。如此，可以解决利用联邦学习技术训练模型获取的模型参数不准确的问题。准确的问题。准确的问题。

【技术实现步骤摘要】
联邦学习模型的训练方法、装置及汽车


[0001]本专利技术涉及数据处理
，具体涉及联邦学习模型的训练方法、装置及汽车。

技术介绍

[0002]随着社会和技术的发展，用户数据的隐私性愈发被重视，企业对用户数据进行处理的方式也越来越严谨。例如，为了保障车辆与设备的数据隐私安全，车联网系统可以采用联邦学习的方式来进行数据使用和机器学习建模。通过联邦学习，多个车辆可以共享模型参数，由中心服务器对共享模型参数进行整合，从而提高训练模型的准确度。并且，该过程中车辆不分享本地数据，从而保障本地数据不被第三方获取。
[0003]但是，目前车辆将模型参数分享至中心服务器之后，中心服务器可能会遭受恶意攻击，导致模型参数可能会被篡改，安全性较低，进而影响模型训练的准确度。

技术实现思路

[0004]本专利技术提供一种联邦学习模型的训练方法、装置及汽车，以解决利用联邦学习技术训练模型获取的模型参数不准确的问题。
[0005]为了实现上述目的，本专利技术采用的技术方案如下：
[0006]一种联邦学习模型的训练方法，应用于路侧单元，该方法包括：
[0007]接收来自汽车的模型训练信息，模型训练信息包括：加密后的第一梯度信息、第一时长、目标数据量、数字签名，第一时长为生成第一梯度信息耗费的时间，目标数据量为训练待训练模型使用的数据量。对数字签名进行校验，并在数字签名通过校验的情况下，确定第一时长和目标数据量是否满足预设安全条件。若第一时长和目标数据量满足预设安全条件，则向区块链发送加密后的第一梯度信息。从区块链获取加密后的全局梯度信息，全局梯度信息为基于多个车辆的梯度信息确定的梯度信息，多个车辆的梯度信息包括：加密后的第一梯度信息。向汽车发送加密后的全局梯度信息，汽车用于基于加密后的全局梯度信息对待训练模型进行训练。
[0008]根据上述技术手段，路侧单元接收来自汽车的模型训练信息，并对数字签名进行校验，并在数字签名通过校验的情况下，确定第一时长和目标数据量是否满足预设安全条件，若第一时长和目标数据量满足预设安全条件，则向区块链发送加密后的第一梯度信息。也就是说，路侧单元获取第一梯度信息之后，多次对第一梯度信息进行校验，在校验通过的情况下，才会向区块链发送梯度信息。如此，可以保障区块链获取的梯度信息的安全性。然后，路侧单元可以从区块链获取加密后的全局梯度信息，并向汽车发送加密后的全局梯度信息，汽车用于基于加密后的全局梯度信息对待训练模型进行训练。也就是说，该梯度信息一直处于加密状态，直至再返回至汽车侧才会解密，如此，进一步提升了梯度信息传输的安全性。
[0009]进一步，预设安全条件包括：第一条件，和/或，第二条件。第一条件为目标数据量与第一时长之间的比值小于预设比值阈值。第二条件包括：第一时长小于预设时长阈值，目
标数据量小于预设数据量阈值。
[0010]根据上述技术手段，第一条件为目标数据量与第一时长之间的比值小于预设比值阈值，说明目标数据量与第一时长之间存在一定比例关系。如此，可以提高该模型训练信息为安全数据的概率。第二条件包括：第一时长小于预设时长阈值，目标数据量小于预设数据量阈值，说明目标数据量不可超出预设数据量阈值，且第一时长不可超出预设时长阈值。如此，可以提高该模型训练信息为安全数据的概率。
[0011]一种联邦学习模型的训练方法，应用于区块链，区块链包括：验证节点和领导节点。该方法包括：
[0012]验证节点接收来自路侧单元的加密后的第一梯度信息，并基于预设验证算法确定加密后的第一梯度信息是否存在恶意更新。若加密后的第一梯度信息未存在恶意更新，则验证节点向领导节点发送加密后的第一梯度信息。领导节点基于多个车辆的梯度信息确定加密后的全局梯度信息，并向验证节点发送加密后的全局梯度信息，多个车辆的梯度信息包括：加密后的第一梯度信息。验证节点对加密后的全局梯度信息进行验证，在加密后的全局梯度信息通过验证的情况下，验证节点向路侧单元发送加密后的全局梯度信息。
[0013]根据上述技术手段，验证节点接收来自路侧单元的加密后的第一梯度信息，并基于预设验证算法确定加密后的第一梯度信息是否存在恶意更新。若加密后的第一梯度信息未存在恶意更新，则向领导节点发送加密后的第一梯度信息。领导节点基于多个车辆的梯度信息确定加密后的全局梯度信息，并向验证节点发送加密后的全局梯度信息，验证节点对加密后的全局梯度信息进行验证，在加密后的全局梯度信息通过验证的情况下，验证节点向路侧单元发送加密后的全局梯度信息。也就是说，在区块链侧，验证节点会多次对梯度信息进行验证，从而保障全局梯度信息的合法性，进而保障模型的训练。
[0014]一种联邦学习模型的训练方法，应用于汽车，方法包括：
[0015]获取待训练模型的第一梯度信息，并记录第一时长，第一时长为生成第一梯度信息耗费的时间。通过预设加密算法对第一梯度信息进行加密，确定加密后的第一梯度信息。向路侧单元发送模型训练信息，模型训练信息包括：加密后的第一梯度信息、第一时长、目标数据量、数字签名，目标数据量为训练待训练模型使用的数据量。接收来自路侧单元的加密后的全局梯度信息，全局梯度信息为基于多个车辆的梯度信息确定的梯度信息，多个车辆的梯度信息包括：加密后的第一梯度信息。对加密后的全局梯度信息进行解密，并通过全局梯度信息对待训练模型进行训练。
[0016]根据上述技术手段，汽车获取待训练模型的第一梯度信息，并通过预设加密算法对第一梯度信息进行加密，确定加密后的第一梯度信息，以提升第一梯度信息的安全性。然后，汽车可以向路侧单元发送模型训练信息。然后接收来自路侧单元的加密后的全局梯度信息，并对加密后的全局梯度信息进行解密，通过全局梯度信息对待训练模型进行训练。如此，通过全程对梯度信息的加密，可以避免梯度信息被恶意篡改，提高了梯度信息的安全性，进而保障了模型的训练。
[0017]进一步的，预设加密算法为半同态加密算法。
[0018]一种联邦学习模型的训练装置，应用于路侧单元，装置包括：
[0019]接收单元，用于接收来自汽车的模型训练信息，模型训练信息包括：加密后的第一梯度信息、第一时长、目标数据量、数字签名，第一时长为生成第一梯度信息耗费的时间，目
标数据量为训练待训练模型使用的数据量。处理单元，用于对数字签名进行校验，并在数字签名通过校验的情况下，确定第一时长和目标数据量是否满足预设安全条件。发送单元，用于若第一时长和目标数据量满足预设安全条件，则向区块链发送加密后的第一梯度信息。接收单元，用于从区块链获取加密后的全局梯度信息，全局梯度信息为基于多个车辆的梯度信息确定的梯度信息，多个车辆的梯度信息包括：加密后的第一梯度信息。发送单元，用于向汽车发送加密后的全局梯度信息，汽车用于基于加密后的全局梯度信息对待训练模型进行训练。
[0020]进一步的，预设安全条件包括：第一条件，和/或，第二条件。第一条件为目标数据量与第一时长之间的比值小于预设比值阈值。第二条件包括：第一时长小于预设时长阈值，目标数据量小于预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联邦学习模型的训练方法，其特征在于，应用于路侧单元，所述方法包括：接收来自汽车的模型训练信息，所述模型训练信息包括：加密后的第一梯度信息、第一时长、目标数据量、数字签名，所述第一时长为生成所述第一梯度信息耗费的时间，所述目标数据量为训练待训练模型使用的数据量；对所述数字签名进行校验，并在所述数字签名通过校验的情况下，确定所述第一时长和所述目标数据量是否满足预设安全条件；若所述第一时长和所述目标数据量满足所述预设安全条件，则向区块链发送所述加密后的第一梯度信息；从所述区块链获取加密后的全局梯度信息，所述全局梯度信息为基于多个车辆的梯度信息确定的梯度信息，所述多个车辆的梯度信息包括：所述加密后的第一梯度信息；向所述汽车发送所述加密后的全局梯度信息，所述汽车用于基于所述加密后的全局梯度信息对所述待训练模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述预设安全条件包括：第一条件，和/或，第二条件；所述第一条件为所述目标数据量与所述第一时长之间的比值小于预设比值阈值；所述第二条件包括：所述第一时长小于预设时长阈值，所述目标数据量小于预设数据量阈值。3.一种联邦学习模型的训练方法，其特征在于，应用于区块链，所述区块链包括：验证节点和领导节点；所述方法包括：所述验证节点接收来自路侧单元的加密后的第一梯度信息，并基于预设验证算法确定所述加密后的第一梯度信息是否存在恶意更新；若所述加密后的第一梯度信息未存在恶意更新，则所述验证节点向所述领导节点发送所述加密后的第一梯度信息；所述领导节点基于多个车辆的梯度信息确定加密后的全局梯度信息，并向所述验证节点发送所述加密后的全局梯度信息，所述多个车辆的梯度信息包括：所述加密后的第一梯度信息；所述验证节点对所述加密后的全局梯度信息进行验证，在所述加密后的全局梯度信息通过验证的情况下，所述验证节点向所述路侧单元发送所述加密后的全局梯度信息。4.一种联邦学习模型的训练方法，其特征在于，应用于汽车，所述方法包括：获取待训练模型的第一梯度信息，并记录第一时长，所述第一时长为生成所述第一梯度信息耗费的时间；通过预设加密算法对所述第一梯度信息进行加密，确定加密后的所述第一梯度信息；向路侧单元发送模型训练信息，所述模型训练信息包括：所述加密后的所述第一梯度信息、所述第一时长、目标数据量、数字签名，所述目标数据量为训练所述待训练模型使用的数据量；接收来自所述路侧单元的加密后的全局梯度信息，所述全局梯度信息为基于多个车辆的梯度信息确定的梯度信息，所述多个车辆的梯度信息包括：所述加密后的第一梯度信息；对所述加密后的全局梯度信息进行解密，并通过所述全局梯度信息对所述待训练模型进行训练。
5.根据权利要求4所述的方法，其特征在于，所述预设加密算法为半同态加密算法。6.一种联邦学习模型的训练装置，其特征在于，应用于路侧单元，所述装置包括：接收单元，用于接收来自汽车的模型训练信息，所述模型训练信息包括：加密后的第一...

【专利技术属性】
技术研发人员：孟艺凝，谭瑞，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：