一种横向联邦学习场景下的隐私保护贡献评估方法技术

本发明专利技术提出了一种横向联邦学习场景下的隐私保护贡献评估方法，实现步骤为：构建横向联邦学习系统；客户端本地迭代训练；辅助服务器获取密态子模型参数和密态全局模型参数；聚合服务器解密密态全局模型参数；辅助服务器评估客户端的总贡献度。本发明专利技术在整个联邦学习过程中，辅助服务器仅能获得客户端的密态模型参数和客户端的贡献度，聚合服务器虽然在解密密态子模型参数时能够计算出某一个客户端的模型参数，但无法确定它属于哪一个特定的客户端，避免了现有技术因云服务器有能力采用模型反演攻击或成员推理攻击来推导客户端的隐私数据的缺陷，有效提高了客户端隐私数据的安全性。

【技术实现步骤摘要】

本专利技术属于人工智能、信息安全和数据分析，涉及一种横向联邦学习场景下的隐私保护客户端贡献评估方法。

技术介绍

1、在大数据和机器学习蓬勃发展的时代，联邦学习已经成为一个很有前途的分布式计算架构。联邦学习的概念最早在2016年由谷歌提出，其设计初衷是允许多个客户端在不共享本地隐私数据的前提下，协作构建一个通用高效的机器学习模型。在传统的横向联邦学习方法中，每次迭代各客户端仅上传本地的模型梯度更新，由云服务器进行聚合来获得新的模型，这实现了数据的可用而不可见，解决了数据孤岛问题。

2、联邦学习可分为纵向联邦学习、横向联邦学习和联邦迁移学习三种类型。在横向联邦学习中，每个客户端具有相同的特征空间，但分布式地保持各自的样本数据。横向联邦学习的基本流程是参与方在本地使用自己的数据进行训练，然后将模型的更新参数传输给中央服务器，中央服务器汇总并计算全局模型的更新，将更新参数发送回参与方进行模型更新，重复该过程直到达到收敛条件。

3、横向联邦学习过程中的客户端贡献评估旨在评估每个客户端在训练过程中对全局模型的贡献程度。它通常涉及多个方面的考量，本文档来自技高网...

【技术保护点】

1.一种横向联邦学习场景下的隐私保护贡献评估方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的公钥pk和私钥sk，计算公式分别为：

3.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的本地模型F，采用卷积神经网络模型，包括级联的特征提取模块和分类模块；特征提取模块包括层叠的多个卷积层、多个池化层和多个激活层；分类模块包括层叠的一个扁平层、多个全连接层；本地模型F的参数为ω＝(ω1,ω2,...,ωm,...,ωM)，ωm表示第m个参数，M表示参数总数。

4.根据权利要求3所述的方法，其特征在于，步骤(...

【技术特征摘要】

1.一种横向联邦学习场景下的隐私保护贡献评估方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的公钥pk和私钥sk，计算公式分别为：

3.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的本地模型f，采用卷积神经网络模型，包括级联的特征提取模块和分类模块；特征提取模块包括层叠的多个卷积层、多个池化层和多个激活层；分类模块包括层叠的一个扁平层、多个全连接层；本地模型f的参数为ω＝(ω1,ω2,...,ωm,...,ωm)，ωm表示第m个参数，m表示参数总数。

4.根...

【专利技术属性】
技术研发人员：刘景伟，朱珺嵘，孙蓉，刘伟，张华翀，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：