【技术实现步骤摘要】
本专利技术涉及电通信技术的，特别涉及一种联邦学习的的、基于队列的内核主成分分析的个人信用联邦同态加密学习方法、介质及设备。
技术介绍
1、联邦学习(federatedlearning,fl)是一种机器学习方法，由谷歌公司最先提出，最初用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私，保证合法的前提下，在多参与方或多计算结点之间开展高效率的机器学习。联邦学习作为分布式的机器学习方法可以有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，从技术上打破数据孤岛问题。
2、然而，目前阶段的联邦学习存在较大的漏洞，并不能提供足够的隐私保护，例如保存数据的服务器被攻击导致隐私泄露、集中式服务器或攻击者可以使用本地模型的结构和参数推断隐私信息等。当联邦学习与其他技术相结合时，可能会获得更强的隐私属性。
3、同态加密(homomorphic encryption,he)是指对交换的模型参数进行加密进而保护用户隐私。由于模型本身不直接传输原始数据，也无法从对...
【技术保护点】
1.一种个人信用联邦同态加密学习方法，其特征在于：所述方法同时使用内核主成分分析和队列，内核主成分分析用于检测和防御标签翻转攻击、识别恶意客户端，在传输的过程中将客户端的任务划分为不同的队列，实现个人信用联邦同态加密学习。
2.根据权利要求1所述的一种个人信用联邦同态加密学习方法，其特征在于：所述方法包括以下步骤：
3.根据权利要求2所述的一种个人信用联邦同态加密学习方法，其特征在于：S1中，预处理为对存在缺失值的数据进行屏蔽。
4.根据权利要求2所述的一种个人信用联邦同态加密学习方法，其特征在于：S2中，将预处理后的数据存至数据集...
【技术特征摘要】
1.一种个人信用联邦同态加密学习方法，其特征在于：所述方法同时使用内核主成分分析和队列，内核主成分分析用于检测和防御标签翻转攻击、识别恶意客户端，在传输的过程中将客户端的任务划分为不同的队列，实现个人信用联邦同态加密学习。
2.根据权利要求1所述的一种个人信用联邦同态加密学习方法，其特征在于：所述方法包括以下步骤：
3.根据权利要求2所述的一种个人信用联邦同态加密学习方法，其特征在于：s1中，预处理为对存在缺失值的数据进行屏蔽。
4.根据权利要求2所述的一种个人信用联邦同态加密学习方法，其特征在于：s2中，将预处理后的数据存至数据集；以样本的形式获取数据集中的值以及这些样本在矩阵中的特征，计算高维空间中数据的协方差矩阵，计算特征值和特征向量，使用异常检测方法one-class svm识别异常的数据点，通过与原始数据比较查看是否被标签翻转攻击，进而识别可能被篡改的个人五年信用数据，屏蔽这些数据，不参与模型训练。
5.根据权利要求2所述的一种个人信用联邦同态加密学习方法，其特征在于：s3中，设置一大数字n，n＝p×q且p和q为质数，获...
【专利技术属性】
技术研发人员：徐欢，朱忠良，
申请(专利权)人：浙江非线数联科技股份有限公司，
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。