【技术实现步骤摘要】
本专利技术涉及信息安全，尤其涉及一种隐私安全细粒度联邦聚合方法、装置、设备及介质。
技术介绍
1、联邦学习是一种分布式机器学习方法，其中模型的训练在多个客户端上进行，而模型更新由中央服务器上进行聚合计算完成。联邦学习允许在保持数据分散的同时进行模型训练，从而解决了一些涉及隐私和数据安全问题的挑战。联邦学习的主要优势在于保护参与者的数据隐私，由于原始数据无需离开本地，只有模型参数被传输给服务器，规避数据泄露风险。因此，联邦学习在涉及敏感数据的医疗保健、金融等场景中具有广阔的应用场景。
2、但是，现有的联邦学习框架结构在实际应用时计算和通讯的成本较高，在受到拜占庭攻击和数据投毒攻击时，其安全性能不够理想，无法较好地解决工业应用中的数据孤岛问题。
3、对于现有的联邦学习框架存在的安全性能较差、易受到攻击的问题，目前还没有有效的解决方案。
技术实现思路
1、本专利技术提供一种隐私安全细粒度联邦聚合方法、装置、设备及介质，用以解决现有技术中存在的安全性能较差、易受到攻击的缺陷
2、本文档来自技高网...
【技术保护点】
1.一种隐私安全细粒度联邦聚合方法，其特征在于，包括：
2.根据权利要求1所述的隐私安全细粒度联邦聚合方法，其特征在于，确定本地模型不同层级的优先级，根据不同层级的优先级分配对应的聚合间隔，并按照联邦聚合策略对所述本地模型进行训练，包括：
3.根据权利要求1所述的隐私安全细粒度联邦聚合方法，其特征在于，生成随机掩码，并将所述随机掩码添加至所述本地模型对应层级的模型参数上，包括：
4.根据权利要求3所述的隐私安全细粒度联邦聚合方法，其特征在于，协商确定安全随机数，并根据所述安全随机数生成密钥，包括：
5.根据权利要求1所述...
【技术特征摘要】
1.一种隐私安全细粒度联邦聚合方法，其特征在于，包括：
2.根据权利要求1所述的隐私安全细粒度联邦聚合方法，其特征在于，确定本地模型不同层级的优先级，根据不同层级的优先级分配对应的聚合间隔，并按照联邦聚合策略对所述本地模型进行训练，包括：
3.根据权利要求1所述的隐私安全细粒度联邦聚合方法，其特征在于，生成随机掩码，并将所述随机掩码添加至所述本地模型对应层级的模型参数上，包括：
4.根据权利要求3所述的隐私安全细粒度联邦聚合方法，其特征在于，协商确定安全随机数，并根据所述安全随机数生成密钥，包括：
5.根据权利要求1所述的隐私安全细粒度联邦聚合方法，其特征在于，所述服务器对所述参数向量进行中央聚合计算，包括：
6.根据权利要求1所述的隐私安...
【专利技术属性】
技术研发人员：滕龙，李孟泽，温泽瑞，刘洁晨，袁泽澄，
申请(专利权)人：武汉大学，
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。