【技术实现步骤摘要】
本专利技术涉及机器学习数据安全，特别是涉及一种结合局部噪声削减机制的联邦学习隐私保护方法。
技术介绍
1、随着大数据时代的发展，传统的集中式机器学习收集用户数据后，集中由第三方训练，造成用户隐私泄露。联邦学习的出现避免了用户将数据直接暴露给第三方。在联邦学习中，客户端使用本地数据分别训练局部模型，并交由中央服务器进行聚合得到全局模型，由此实现了基于多方协作的模型训练，并有效避免了数据集中式处理可能导致的隐私泄露问题。然而，尽管联邦学习中的客户端只共享局部模型而不共享其本地数据，但若局部模型缺少保护，联邦学习仍然可能因遭受推理攻击和重构攻击而泄露隐私。例如，敌手通过捕获梯度信息或模型参数，可以推断出训练数据的典型特征，从而构建出与原始数据相接近的数据。
2、因此，研究者们将差分隐私、同态加密、区块链等技术应用到联邦学习中，以提高物联网场景下联邦学习的隐私保护效果。同态加密虽然可以在加密数据上进行运算，但其计算效率通常较低，会大大增加联邦学习的训练时间。区块链技术虽然能够保证数据的不可篡改性，但在处理大规模数据时，区块链节点间的...
【技术保护点】
1.一种结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，包括：
2.根据权利要求1所述的结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，所述步骤1中对添加高斯噪声的全局模型进行局部噪声消减处理，获取本地训练初始模型包括：
3.根据权利要求2所述的结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，所述添加高斯噪声的全局模型的获取方法包括：
4.根据权利要求3所述的结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，所述未向客户端添加高斯噪声的全局模型为：
5.根据权利要求2所述的结合局部噪声削减机...
【技术特征摘要】
1.一种结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，包括：
2.根据权利要求1所述的结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，所述步骤1中对添加高斯噪声的全局模型进行局部噪声消减处理，获取本地训练初始模型包括：
3.根据权利要求2所述的结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，所述添加高斯噪声的全局模型的获取方法包括：
4.根据权利要求3所述的结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，所述未向客户端添加高斯噪声的全局模型为：
5.根据权利要求2所述的结合局部噪声削减机制的联邦学习隐私保护方法，其特征在于，获取所述客户端添加的噪声量的具体方法为：
6.根据权利要求2所述的结合局部噪声削减机制...
【专利技术属性】
技术研发人员：李龙，刘振参，李晶晶，何松兴，孙希延，常亮，
申请(专利权)人：桂林电子科技大学，
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。