【技术实现步骤摘要】
本专利技术涉及联邦学习领域，具体涉及一种基于多密钥的联邦学习方法及系统。
技术介绍
1、机器学习能充分挖掘海量异构物联网数据的内在联系和有效价值，极大地提升物联网系统的智能化程度。传统机器学习方法需大规模采集设备终端的原始数据用于训练机器学习模型，从而提供健康评估、财务风险预测、个性化推荐等各种智能服务。然而，设备终端的数据在物联网场景中往往是敏感的，不受限制地使用可能会导致严重的隐私泄露，这阻碍了物联网技术的发展。联邦学习（federated learning，fl）作为一种新的分布式学习框架，可以使得物联网设备在中央服务器的协调下仅需通过交换模型更新实现多方协作训练模型，保护了本地隐私数据。虽然联邦学习具有保护隐私的特性，但其面临着间接隐私泄露的风险。例如敌手可以通过截取训练过程中梯度发起模型推演攻击，以恢复数据集中的部分隐私信息；再例如服务器也可以从接收到的本地更新中推断出参与方的某些私有信息。
2、针对联邦学习中的信息安全问题，相关学者提出通过同态加密技术对模型更新进行机密性保护，以避免隐私信息的泄露。然而这些方案中...
【技术保护点】
1.一种基于多密钥的联邦学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多密钥的联邦学习方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于多密钥的联邦学习方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的基于多密钥的联邦学习方法，其特征在于，所述可信服务器利用PKI密钥算法为所述云服务器生成所述服务器私钥和所述服务器公钥、以及为所述参与方生成所述用户私钥和所述用户公钥。
5.根据权利要求1至4任一项所述的基于多密钥的联邦学习方法，其特征在于，所述方法还包括：
6.一种...
【技术特征摘要】
1.一种基于多密钥的联邦学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多密钥的联邦学习方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的基于多密钥的联邦学习方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的基于多密钥的联邦学习方法，其特征在于，所述可信服务器利用pki密钥算法为所述云服务器生成所述服务器私钥和所述服务器公钥、以及为所述参与方生成所述用户私钥和所述用户公钥。
5.根据权利要求1至4任一项所述的基...
【专利技术属性】
技术研发人员：管桂林，曹扬，颜博，吕征南，胡静，董厚泽，
申请(专利权)人：中电科大数据研究院有限公司，
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。