【技术实现步骤摘要】
本专利技术涉及网络信息安全，尤其涉及一种基于联邦学习的模型训练方法、装置、设备及存储介质。
技术介绍
1、在金融科技发展中，人工智能技术如火如荼，训练出的模型也被应用到各个金融领域当中。但为了能够提高模型的精确度，势必需要获取大量且多维度的数据集参与模型训练，同时还要保证隐私数据的安全性。而联邦学习已成为解决上述问题的一种有效方案。
2、然而，联邦学习也有着自身的局限性。联邦学习在训练模型的过程中，依赖于单个集中式的服务器，容易受到服务器单点故障的影响。通过局部模型参数可以推测出其本地数据集的数据特征，故任何恶意攻击服务器的行为都会导致全局模型更新出现问题，甚至导致数据隐私泄露和全局模型被篡改等问题，这不利于后续局部模型的更新和数据保护。
技术实现思路
1、本专利技术提供了一种基于联邦学习的模型训练方法、装置、设备及介质，以解决利用联邦学习训练模型时依赖中心服务器的问题。
2、第一方面，本专利技术提供了一种基于联邦学习的模型训练方法，包括：
3、指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器；
4、根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数；
5
6、第二方面，本专利技术提供了一种基于联邦学习的模型训练装置，包括：
7、训练参数发送模块，用于指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器；
8、训练参数同步模块，用于根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数；
9、全局模型确定模块，用于指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。
10、第三方面，本专利技术提供了一种电子设备，该电子设备包括：
11、至少一个处理器；
12、以及与至少一个处理器通信连接的存储器；
13、其中，存储器存储有可被至少一个处理器执行的计算机程序，该计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述第一方面的基于联邦学习的模型训练方法。
14、第四方面，本专利技术提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现上述第一方面的基于联邦学习的模型训练方法。
15、本专利技术提供的基于联邦学习的模型训练方案，指示每个本地设备利用本地数据集训练初始模型，以得到局部模型训练参数，并将所述局部模型训练参数发送至关联的边缘服务器，其中，所述边缘服务器包括从节点服务器和主节点服务器，根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，其中，同步后的所述边缘服务器中存有全局模型训练参数，所述全局模型训练参数中包括每个所述本地设备的局部模型训练参数，指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型。通过采用上述技术方案，预先利用本地的数据集进行局部模型训练，然后将得到的局部模型的训练参数传送至所关联的边缘服务器中，通过将边缘服务器作为节点并完成数据的共识，利用共识后得到的全局模型训练参数即可确定全局模型，本方案可以去中心化训练模型并分布式存储模型的训练参数，整体提升了联邦学习的安全性。
16、应当理解，本部分所描述的内容并非旨在标识本专利技术的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种基于联邦学习的模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于预设实用拜占庭容错算法，指示所述主节点服务器将自身存储的全局模型训练参数同步至所述从节点服务器，包括：
4.根据权利要求3所述的方法，其特征在于，在指示所述主节点服务器将预准备信息发送至所述从节点服务器之前，还包括：
5.根据权利要求4所述的方法，其特征在于，所述准备信息中至少包括所述区块的摘要。
6.根据权利要求1所述的方法，其特征在于，在指示每个本地设备将所述局部模型训练参数发送至关联的边缘服务器之前，还包括：
7.根据权利要求1所述的方法，其特征在于，在所述指示每个所述本地设备利用关联的边缘服务器发送的全局模型训练参数确定全局模型之前，还包括：
8.一种基于联邦学习的模型训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，所
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于联邦学习的模型训练方法。
...【技术特征摘要】
1.一种基于联邦学习的模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据预设实用拜占庭容错算法，指示所述从节点服务器和所述主节点服务器同步所述局部模型训练参数，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于预设实用拜占庭容错算法，指示所述主节点服务器将自身存储的全局模型训练参数同步至所述从节点服务器，包括：
4.根据权利要求3所述的方法，其特征在于，在指示所述主节点服务器将预准备信息发送至所述从节点服务器之前，还包括：
5.根据权利要求4所述的方法，其特征在于，所述准备信息中至少包括所述区块的摘要。<...
【专利技术属性】
技术研发人员：王雄，
申请(专利权)人：中国农业银行股份有限公司，
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。