一种面向社交网络兴趣推荐的联邦学习数据中毒检测系统、方法、程序、设备及存储介质技术方案

本发明专利技术属于社交网络技术领域，具体涉及一种面向社交网络兴趣推荐的联邦学习数据中毒检测系统、方法、程序、设备及存储介质。本发明专利技术通过基于深度自编码器的检测模型，使用深度自编码器的降维功能解决联邦学习中对数据中毒攻击的检测和防御问题，可以将客户端更新的高维模型参数降维，并突出恶意客户端的模型更新特征，通过检测并剔除恶意的攻击者，保护联邦学习中全局模型的安全。本发明专利技术设计了基于深度自编码器的联邦学习数据中毒检测模型，用于客户端中毒模型的检测和剔除，可部署在互联网服务提供商机房处，可广泛应用于用户侧互联网流量测量与分析等应用领域。

【技术实现步骤摘要】

本专利技术属于社交网络，具体涉及一种面向社交网络兴趣推荐的联邦学习数据中毒检测系统、方法、程序、设备及存储介质。

技术介绍

1、随着社交网络的普及，用户对于兴趣推荐的需求日益增长。为了提供更加精准的推荐，许多社交平台开始采用联邦学习技术。联邦学习是一种在多个参与者之间进行分布式机器学习的方法，每个参与者拥有自己的数据集，并在本地进行模型训练，然后将模型更新发送到中央服务器进行聚合。这种方法的好处在于，既能保护用户的隐私，又能利用大量的用户数据进行有效的模型训练。

2、然而，这种技术在实践中也面临一些挑战。例如在联邦学习中，中央服务器无法检查到每个参与者的数据是否安全，因此，一旦出现某些恶意用户将本地训练的中毒模型更新发送到服务器，将会损害全局模型。最常见的攻击方式是标签翻转，恶意用户将训练数据集中的标签修改为另一种，其余的数据特征不改变，服务器收到这些中毒模型聚合更新后，导致对该类数据的错误分类，导致全局模型准确率下降，达到攻击的目的。

3、为识别联邦学习中有针对性的数据中毒攻击，【tolpegin v.,truex s.,gurs本文档来自技高网...

【技术保护点】

1.一种面向社交网络兴趣推荐的联邦学习数据中毒检测系统，其特征在于：包括模型采集分发模块、模型自编码降维模块、数据中毒检测模块与聚合模型转发模块；

2.一种面向社交网络兴趣推荐的联邦学习数据中毒检测方法，其特征在于，包括以下步骤：

3.根据权利要求2所述的一种面向社交网络兴趣推荐的联邦学习数据中毒检测方法，其特征在于：所述步骤4中重构误差的计算方法为：

4.根据权利要求2所述的一种面向社交网络兴趣推荐的联邦学习数据中毒检测方法，其特征在于：所述深度自编码器的预训练方法为：

5.一种计算机装置/设备/系统，包括存储器、处理器及存储在存储器上的...

【技术特征摘要】

1.一种面向社交网络兴趣推荐的联邦学习数据中毒检测系统，其特征在于：包括模型采集分发模块、模型自编码降维模块、数据中毒检测模块与聚合模型转发模块；

2.一种面向社交网络兴趣推荐的联邦学习数据中毒检测方法，其特征在于，包括以下步骤：

3.根据权利要求2所述的一种面向社交网络兴趣推荐的联邦学习数据中毒检测方法，其特征在于：所述步骤4中重构误差的计算方法为：

4.根据权利要求2所述的一种面向社交网络兴趣推荐的联邦学习数据中毒检测方法，其特征在于：所述深度自编码器...

【专利技术属性】
技术研发人员：苘大鹏，杨武，王焕然，吕继光，韩帅，许晨，谭静文，王翰博，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：