【技术实现步骤摘要】
本专利技术涉及电数字数据处理，尤其涉及一种基于孤立森林异常检测的安全分层联邦学习方法。
技术介绍
1、随着无线通信技术的发展和人们对移动电子产品数据隐私安全的日益重视，基于“云-边-端”协同的分层联邦学习框架越来越受到关注。在该框架下，全局模型的训练需要先将本地移动设备训练的局部模型上传到距离设备较近的边缘服务器上进行部分聚合，然后再将聚合完成的模型上传到中央服务器进行全局聚合，该过程能够在保护数据隐私的同时实现模型训练和更新。但是在分层联邦学习框架的本地训练和模型传输过程中，正常的数据或模型可能遭受数据投毒、模型投毒等非法攻击，影响全局模型的训练结果。
2、现有的一种基于孤立森林异常检测的安全分层联邦学习方法通过将本地移动设备训练的局部模型上传到距离设备较近的边缘服务器上进行部分聚合，然后再将聚合完成的模型上传到中央服务器进行全局聚合实现。
3、例如公开号为：cn116451117a专利申请公开的一种基于联邦学习的电力数据异常检测方法，包括：(1)故障检测数据预处理：建立多维时间序列客户端；数据预处理；构建时间...
【技术保护点】
1.一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，所述移动设备使用本地数据集更新全局模型参数的具体更新过程为：
3.如权利要求1所述一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，所述边缘服务器上更新的全局模型参数通过GRU自注意力模型提取时序特征状态的具体提取过程为：
4.如权利要求1所述一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，所述边缘服务器使用联邦平均算法对GRU自注意力模型进行聚合的具体
...【技术特征摘要】
1.一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，所述移动设备使用本地数据集更新全局模型参数的具体更新过程为：
3.如权利要求1所述一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，所述边缘服务器上更新的全局模型参数通过gru自注意力模型提取时序特征状态的具体提取过程为：
4.如权利要求1所述一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，所述边缘服务器使用联邦平均算法对gru自注意力模型进行聚合的具体聚合过程为：
5.如权利要求1所述一种基于孤立森林异常检测的安全分层联邦学习方法，其特征在于，所述使用孤立森林算法对聚合后的gru自注意力模型更新参数的时序特征状态建...
【专利技术属性】
技术研发人员：梁伟，阳超逸，陈宇翔，肖嘉宏，何大成，熊乃学，
申请(专利权)人：湖南科技大学，
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。