一种安全且公平的联邦学习隐私保护聚合系统及方法技术方案

本发明专利技术公开一种安全且公平的联邦学习隐私保护聚合系统及方法，涉及联邦学习技术领域，解决现有的分布式跨设备联邦学习方案存在的计算效率低且对少数客户端不公平的问题；本发明专利技术包括云聚合服务器用于识别并排除恶意模型，聚合良性模型后更新全局模型；边缘计算节点用于在通信层面实现模型的匿名化；物联网终端设备用于在本地数据集上开展模型训练得到本地模型更新然后加密上传到对应的边缘计算节点；N个训练客户端在M个边缘计算节点的协助下开展分布式跨设备横向联邦学习；本发明专利技术具备较高的恶意模型检测率，且针对少数派模型保有聚合公平性，使得全局模型可以从多样化的数据中学习知识，全局模型的质量得以提升。

【技术实现步骤摘要】

本专利技术涉及联邦学习，具体涉及一种安全且公平的联邦学习隐私保护聚合系统及方法。

技术介绍

1、近年来，基于联邦学习独有的隐私保护属性，将联邦学习引入物联网已经成为了解决物联网数据安全问题的一种有效途径。现有研究指出，联邦学习的分布式架构很容易遭受隐私和安全攻击。更具体的说，边缘客户端上传的梯度更新很可能遭受恶意分析者或服务器的推理攻击，从而获取用户本地数据的隐私信息。更明显的是安全攻击，特别在b2c的分布式网络应用场景中，相较于聚合服务器而言，边缘客户端设备更容易受到恶意攻击而被敌手控制，然后通过提交恶意模型更新的方式，阻碍全局模型收敛(拜占庭攻击)或产生错误的模型(中毒攻击)。

2、而针对模型中毒攻击的防御，目前主要存在三种策略：1.基于模型间的距离、相似度从局部模型集中移除出离群值。2.聚合服务器通过自身所拥有的测试集来测试接收到的模型。3.借助区块链来构建客户端的声誉系统，基于每次客户端上传模型的质量来动态调整客户端的声誉。然而，上述的三种防御策略均存在一定的问题。基于声誉评价可以达到约束良性客户端的目的，但是不能防止恶意攻击者入侵某个本文档来自技高网...

【技术保护点】

1.一种安全且公平的联邦学习隐私保护聚合系统，其特征在于，包括云聚合服务器、边缘计算节点、物联网终端设备以及在M个边缘计算节点的协助下开展分布式跨设备横向联邦学习的N个训练客户端；其中，

2.一种安全且公平的联邦学习隐私保护聚合方法，其特征在于，包括：

3.根据权利要求2所述的一种安全且公平的联邦学习隐私保护聚合方法，其特征在于，所述S2包括：

4.根据权利要求2所述的一种安全且公平的联邦学习隐私保护聚合方法，其特征在于，所述S3中的匿名通信协议包括：

5.根据权利要求3所述的一种安全且公平的联邦学习隐私保护聚合方法，其特征在于，所述S4包...

【技术特征摘要】

1.一种安全且公平的联邦学习隐私保护聚合系统，其特征在于，包括云聚合服务器、边缘计算节点、物联网终端设备以及在m个边缘计算节点的协助下开展分布式跨设备横向联邦学习的n个训练客户端；其中，

2.一种安全且公平的联邦学习隐私保护聚合方法，其特征在于，包括：

3.根据权利要求2所述...

【专利技术属性】
技术研发人员：张文芳，蒲庆，张倚涛，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：