一种基于迭代不变指标的拜占庭攻击检测方法技术

一种基于迭代不变指标的拜占庭攻击检测方法，属于分布式机器学习领域。通过构造特征距离以及输出层偏差作为迭代不变指标，以检测拜占庭攻击。特征距离的计算基于预训练编码器，对预训练编码器提取的辅助数据集特征，与本地模型提取的辅助数据集特征之间的距离进行计算，从而有效检测模型中毒攻击；而输出层偏差基于对本地模型输出层梯度方差的分析，估计用户本地数据的分布，进而检测数据中毒攻击；此外，采用HDBSCAN聚类，即基于层次密度的空间聚类，对不同用户的迭代不变指标进行无需假设类数量的聚类，解决恶意用户比例未知的问题。本发明专利技术适用于分布式机器学习领域，在异步联邦学习的即时聚合策略下，提升攻击检测方法的鲁棒性与高效性。

【技术实现步骤摘要】

本专利技术涉及一种基于迭代不变指标的拜占庭攻击检测方法，属于分布式机器学习领域。

技术介绍

1、分布式机器学习(下称联邦学习)是一种蓬勃发展的机器学习范式，旨在使用不同用户的本地数据进行协同建模，同时兼顾本地数据的隐私保护以及协同建模的效率。传统的联邦学习是同步的，然而，在实际部署的过程中，由于不同用户使用的设备之间的算力资源和通信资源相差较大(下称设备异构)，会导致拥有较强资源的用户在提交当前全局轮次的本地模型后，需要等待其他用户将其本地模型上传后才可以参与聚合，造成较大的资源浪费。异步联邦学习在服务器部署了接收即聚合的聚合策略(下称即时聚合)，从而避免设备异构导致的时间开销。然而，对比同步联邦学习，异步联邦学习更容易受到拜占庭攻击。为了更好的保障异步联邦学习的鲁棒性，现有的方法主要基于三种思路。

2、第一种思路，基于用户之间的交叉验证，通过其他用户的本地数据对模型的质量进行评估，以区分恶意模型与良性模型。然而，这种思路为了隐私保护通常将交叉验证的过程下放至用户本地，造成额外的计算开销，不满足异步联邦学习对效率的需求。第二种思路，基于半异步模本文档来自技高网...

【技术保护点】

1.一种基于迭代不变指标的拜占庭攻击检测方法，其特征在于：包括如下步骤，

2.如权利要求1所述的一种基于迭代不变指标的拜占庭攻击检测方法，其特征在于：步骤一的实现方法为，

3.如权利要求2所述的一种基于迭代不变指标的拜占庭攻击检测方法，其特征在于：步骤二的实现方法为，

4.如权利要求3所述的一种基于迭代不变指标的拜占庭攻击检测方法，其特征在于：步骤三的实现方法为，

【技术特征摘要】

1.一种基于迭代不变指标的拜占庭攻击检测方法，其特征在于：包括如下步骤，

2.如权利要求1所述的一种基于迭代不变指标的拜占庭攻击检测方法，其特征在于：步骤一的实现方法为，

3.如...

【专利技术属性】
技术研发人员：沈蒙，彭博涵，车征，王婧，唐湘云，王伟，祝烈煌，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：