【技术实现步骤摘要】
本专利技术涉及一种隐私保护的双向可验证联邦学习方法，属于联邦学习。
技术介绍
1、随着大数据技术的发展，社会活动中产生和搜集的数据和信息量急剧增加，联邦学习逐渐成为一种流行的分布式机器学习范式。它可以使设备机构在不共享自身原始数据的情况下参与模型训练，缓解了由于收集不同数据集而导致的数据隐私问题，有效地缓解了数据孤岛的情况。然而，在联邦学习中共享的模型梯度也会泄露参与者的私有信息，这就导致模型容易受到攻击，例如，模型反演攻击、成员推理攻击。
2、针对上述问题，现有的技术方案大多只关注本地模型信息上传时遭遇的攻击，比如梯度泄露攻击，通过不同的加密方案来对共享梯度信息进行加密来保障用户的隐私安全，例如同态加密、函数加密、秘密共享等方案。但是大多没有考虑过训练过程中，多次迭代导致的中间模型泄露，也可能会导致攻击者获得某一用户的敏感信息；考虑到此方面的研究中也存在着服务器无法检查上传信息，攻击者伪装成普通客户上传错误信息来扰乱训练过程的不足。同时，恶意服务器也可能会伪造聚合结果来影响本地模型训练效果。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种隐私保护的双向可验证联邦学习方法，从多方面分析加强安全设计应用，提高联邦学习过程中安全性与防护性。
2、本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种隐私保护的双向可验证联邦学习方法，基于聚合服务器、以及各个客户端，结合可信第三方kgc，按如下步骤a至步骤b，针对待训练目标全局模型执行联邦学
3、步骤a.基于可信第三方kgc初始化公共参数pm分发至聚合服务器、以及各个客户端，聚合服务器产生密钥，各客户端分别产生密钥，然后进入步骤b；
4、步骤b.根据预设最大训练轮数t，基于各轮训练下各客户端分别对待训练目标全局模型训练获得本地模型参数，结合经可信第三方kgc确定的稳定通信列表，进行各稳定通信客户端本地模型参数的更新，进而在第t轮训练下获得训练后目标全局模型。
5、作为本专利技术的一种优选技术方案：所述步骤b包括步骤b1至步骤b5；
6、步骤b1.初始化训练轮数t＝1，并进入步骤b2；
7、步骤b2.各客户端分别在第t轮训练下对待训练目标全局模型训练获得本地模型参数，并构建认证加密标签，上传至聚合服务器，然后进入步骤b3；
8、步骤b3.基于聚合服务器与可信第三方kgc之间关于密钥的通信交互，确定稳定通信列表，然后进入步骤b4；
9、步骤b4.聚合服务器针对稳定通信列表中各客户端上传的认证加密标签，执行模型参数聚合，当t＝t时，则获得训练后目标全局模型，当t≠t时，则进入步骤b5；
10、步骤b5.针对t的值进行加1更新，然后返回步骤b2。
11、作为本专利技术的一种优选技术方案：所述步骤b2包括如下步骤b2-1至步骤b2-2；
12、步骤b2-1.各客户端分别在第t轮训练下对待训练目标全局模型训练获得本地模型参数wi,t，并根据xi,t＝wi,t||δ·ki,t||0，获得各客户端分别在第t轮训练下对应的xi,t，再进入步骤b2-2；其中，ki,t∈zp，zp是安全大素数p的剩余类，当t≠t时，则δ＝1，当t＝t时，则δ＝0，t表示预设最大训练轮数；
13、步骤b2-2.首先，各客户端分别根据计算获得在第t轮训练下对应的ci,t、ti,t，其中，h0(t)、h1(t)分别表示h0和h1针对以t为自变量的函数运算；
14、然后，各客户端分别根据计算获得据v、v’，并按计算获得各客户端分别在第t轮训练下的验证密钥cvki,t，再基于非交互零知识证明体制，各客户端分别根据ci,t、cvki,t，执行函数nizk.prove，获得各客户端分别在第t轮训练下对应的零知识证明πi,t；
15、最后，各客户端分别组合第t轮训练下对应的认证加密标签(ci,t,ti,t,πi,t)，并上传至聚合服务器，再进入步骤b3。
16、作为本专利技术的一种优选技术方案：所述步骤b3包括如下步骤b3-1至步骤b3-4；
17、步骤b3-1.聚合服务器根据构建聚合服务器在第t轮训练下的公钥并针对所接收各认证加密标签对应的客户端，分别发送公钥pka,t，同时广播将该各客户端所构通信客户端列表u1，然后进入步骤b3-2；
18、步骤b3-2.通信客户端列表u1中各客户端分别根据所接收公钥pka,t，按计算获得在第t轮训练下对应的辅助信息并结合构成上传至可信第三方kgc，然后进入步骤b3-3；其中，表示通信客户端列表u1中客户端的数量，表示通信客户端列表u1中第个客户端的密钥，表示通信客户端列表u1中第个客户端在第t轮训练下对应的辅助信息，表示通信客户端列表u1中第个客户端在第t轮训练下的验证密钥；
19、步骤b3-3.可信第三方kgc针对所接收各对应客户端构成的通信客户端列表u2，获得通信客户端列表u1与通信客户端列表u2之间的交集，即稳定通信列表u3，由可信第三方kgc针对稳定通信列表u3中各客户端上传的辅助信息进行整体验证，若验证成功，则聚合稳定通信列表u3中各客户端上传辅助信息，获得(aut,svkt)，并将辅助信息aut与稳定通信列表u3发送至聚合服务器，将辅助信息svkt发送至稳定通信列表u3中各客户端，再进入步骤b4；若验证失败，则丢弃稳定通信列表u3中各客户端上传的辅助信息，并进入步骤b3-4；
20、步骤b3-4.可信第三方kgc请求稳定通信列表u3中各客户端重新按步骤b3-2，向可信第三方kgc上传辅助信息，并返回步骤b3-3。
21、作为本专利技术的一种优选技术方案：所述步骤b3-3中，由可信第三方kgc按如下操作，针对稳定通信列表u3中各客户端上传的辅助信息进行整体验证；
22、首先按计算获得辅助信息aut；接着基于perdersen承诺体制，按计算获得v、v’；然后验证判断aut是否满足等式以及是则验证成功，按计算获得辅助信息svkt，并将辅助信息aut与稳定通信列表u3发送至聚合服务器，将辅助信息svkt发送至稳定通信列表u3中各客户端，再进入步骤b4；否则验证失败，丢弃稳定通信列表u3中各客户端上传的辅助信息，并进入步骤b3-4；其中，表示稳定通信列表u3中客户端的数量，表示稳定通信列表u3中第个客户端在第t轮训练下对应的辅助信息，表示稳定通信列表u3中第个客户端在第t轮训练下的验证密钥
23、作为本专利技术的一种优选技术方案：所述步骤b4包括如下步骤b4-1至步骤b4-4；
24、步骤b4-1.聚合服务器基于非交互零知识证明体制，执行验证函数nizk.verify，分别验证稳定通信列表u3中各客户端上传的的可靠性，若各均可靠，则进入步骤b4-3；若存在不可靠的则进入步骤b4-2；
25、步骤b4-2.聚合服务器丢弃各不可靠并请求该各不可靠的客户端重新按步骤b2，本文档来自技高网...
【技术保护点】
1.一种隐私保护的双向可验证联邦学习方法，其特征在于：基于聚合服务器、以及各个客户端，结合可信第三方KGC，按如下步骤A至步骤B，针对待训练目标全局模型执行联邦学习，获得训练后目标全局模型；
2.根据权利要求1所述一种隐私保护的双向可验证联邦学习方法，其特征在于：所述步骤B包括步骤B1至步骤B5；
3.根据权利要求2所述一种隐私保护的双向可验证联邦学习方法，其特征在于：所述步骤B2包括如下步骤B2-1至步骤B2-2；
4.根据权利要求3所述一种隐私保护的双向可验证联邦学习方法，其特征在于：所述步骤B3包括如下步骤B3-1至步骤B3-4；
5.根据权利要求4所述一种隐私保护的双向可验证联邦学习方法，其特征在于：所述步骤B3-3中，由可信第三方KGC按如下操作，针对稳定通信列表U3中各客户端上传的辅助信息进行整体验证；
6.根据权利要求4所述一种隐私保护的双向可验证联邦学习方法，其特征在于：所述步骤B4包括如下步骤B4-1至步骤B4-4；
7.根据权利要求1至6中任意一项所述一种隐私保护的双向可验证联邦学习方法，
...【技术特征摘要】
1.一种隐私保护的双向可验证联邦学习方法，其特征在于：基于聚合服务器、以及各个客户端，结合可信第三方kgc，按如下步骤a至步骤b，针对待训练目标全局模型执行联邦学习，获得训练后目标全局模型；
2.根据权利要求1所述一种隐私保护的双向可验证联邦学习方法，其特征在于：所述步骤b包括步骤b1至步骤b5；
3.根据权利要求2所述一种隐私保护的双向可验证联邦学习方法，其特征在于：所述步骤b2包括如下步骤b2-1至步骤b2-2；
4.根据权利要求3所述一种隐私保护的双向可验证联邦学习方法，其特征在于：所...
【专利技术属性】
技术研发人员：李明柱，王一凡，张胜，陈飞，
申请(专利权)人：信联科技南京有限公司，
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。