【技术实现步骤摘要】
本专利技术属于计算机安全领域，具体涉及一种移动群智感知中隐私保护的联邦学习方法及系统。
技术介绍
1、随着通信技术的发展，移动群智感知作为一种大规模收集用户数据的方式，极大提高了各类应用的丰富性和实时性。移动群智感知发展的同时，用户数据的隐私性也越发重要。用户在享受基于移动群智感知的各种应用时，也容易泄露隐私，如账户余额等敏感信息，如果不对数据加以处理，则可能会给不法分子可乘之机。
2、联邦学习作为一种分布式的机器学习算法，其主要思想是确保参与方的数据保留在本地，而只是将训练的模型参数上传至服务器聚合，这与移动群智感知中保护用户的数据隐私目的相适应，因此在移动群智感知中使用联邦学习可以很好的保护用户的隐私数据。但是目前的联邦学习仍有一定的局限性，尽管服务器无法直接得到用户数据，但其诚实且好奇的特性使得服务器在执行算法协议的同时，往往试图通过用户上传的梯度或模型参数推导出用户敏感数据，客户端上传的梯度参数容易被攻击者拦截进而造成用户隐私泄露，而且，易受网络或用户主观影响的客户端容易中途退出或延迟参数的上传，而服务器等待客户端上传参数的过程中就容易造成计算资源浪费。基于以上的局限性，迫切需要提出具有隐私保护特性且性能综合的联邦学习算法。
技术实现思路
1、本专利技术的目的是为解决在目前的联邦学习方法中，服务器会根据梯度参数推断客户端的敏感数据，客户端上传的梯度参数容易被攻击者拦截造成用户隐私泄露以及服务器等待网络延迟客户端的过程会造成计算资源浪费的问题，而提出了一种移动群智
2、本专利技术为解决上述技术问题所采取的技术方案是：
3、基于本专利技术的一个方面，一种移动群智感知中隐私保护的联邦学习方法，所述方法具体包括以下步骤：
4、步骤一、可信中心生成由公钥pk和私钥sk组成的密钥，并将公钥pk公布给全部客户端和服务器，将私钥sk公布给服务器；
5、每个客户端均向服务器发送ack确认是否参加联邦训练，服务器将确认参加联邦训练的客户端集u发送给可信中心，将客户端集u中的各个客户端分别记为c1,c2,...,cn，n是u中的客户端个数，可信中心为客户端集u中的每个客户端分别分配一个随机数xi，各个客户端将分配给自身的随机数作为自身的私钥；
6、步骤二、客户端集u中的各个客户端从服务器下载全局模型，服务器向客户端集u中的各个客户端下发初始全局模型参数并初始化训练轮次t＝0；
7、步骤三、客户端集u中的各个客户端均在本地进行第t轮次的训练，分别获得各个客户端的梯度参数
8、再根据客户端集u中的各个客户端与服务器的通信状态来更新客户端的梯度参数，再利用公钥pk和私钥xi对梯度参数进行加密后，获得加密结果；并将加密结果发送给服务器；
9、步骤四、服务器对接收到的加密结果进行聚合得到聚合结果，再利用私钥sk对聚合结果进行解密，并基于解密结果对全局模型参数进行更新，得到更新后的全局模型参数
10、对更新后的全局模型参数进行加密后，将加密后的全局模型参数发送给客户端集u中的各个客户端；
11、步骤五、客户端集u中的各个客户端对接收到的全局模型参数进行解密，并根据解密结果更新本地模型参数；
12、步骤六、令t＝t+1，并返回执行步骤三，直至模型收敛，即整个联邦学习过程结束。
13、进一步地，所述可信中心生成密钥采用的是paillier秘钥生成系统；
14、公钥pk为(n，g，h)，私钥sk为(λ，μ)；
15、其中，n＝p×q，p和q均为素数；λ＝lcm(p-1，q-1)，lcm为p-1和q-1的最小公倍数，h为hash函数，{0，1}*→z*n，{0，1}*表示任意长度的二进制序列，z*n表示1到n-1中与n最大公因数为1的全部整数组成的集合；随机选择表示1到n2-1中与n2最大公因数为1的全部整数组成的集合；
16、gcd(l(gλmod n2)，n)＝1，gcd表示l(gλmod n2)和n的最大公约数，gλmod n2表示gλ除以n2的余数，l(·)为函数；μ＝(l(gλmod n2))-1mod n。
17、进一步地，所述函数l(·)为：
18、
19、其中，x是函数自变量。
20、进一步地，所述可信中心为客户端集u中的每个客户端分配的随机数xi满足：
21、∑i∈uxi＝0mod n
22、其中，0mod n表示0除以n的余数。
23、进一步地，所述梯度参数为：
24、
25、其中，η是学习率，是第i个客户端在第t个训练轮次后获得的模型参数，di是第i个客户端的本地数据集，为损失函数，表示的梯度；
26、所述根据客户端集u中的各个客户端与服务器的通信状态来更新客户端的梯度参数，再利用公钥pk和私钥xi对梯度参数进行加密后，获得加密结果；并将加密结果发送给服务器，具体为：
27、步骤1、根据客户端集u中的各个客户端与服务器的通信状态，即根据在服务器的聚合等待时间t内是否能成功接收到各个客户端的梯度参数，来对各个客户端的梯度参数进行更新；
28、若在服务器的聚合等待时间t内能接收到第i个客户端的梯度参数，则执行步骤2；
29、若在服务器的聚合等待时间t内不能接收到第i个客户端的梯度参数，则不对第i个客户端的梯度参数进行更新，第i个客户端接收到全局模型参数后在本地继续参加第t+1轮次训练；
30、步骤2、设定允许客户端退出的最大轮数lmax，将在服务器的聚合等待时间t内能接收到的梯度参数对应的客户端集合记为d；
31、对于集合d中的第j个客户端，若第t-1轮次训练后，服务器在聚合等待时间t内能接收到第j个客户端的梯度参数，则直接将第j个客户端的梯度参数作为第j个客户端的更新后梯度参数利用公钥pk和私钥xi对第j个客户端的梯度参数进行加密后，将加密结果发送给服务器；
32、对于集合d中的第j个客户端，若第t-1轮次训练后，服务器在聚合等待时间t内未接收到第j个客户端的梯度参数，则执行步骤3；
33、步骤3、将第t轮次训练之前，服务器已经连续未接收到第j个客户端梯度参数的训练轮次个数记为lj；若lj大于lmax，则不对第j个客户端的梯度参数进行处理；
34、若lj小于等于lmax，则对第j个客户端的梯度参数进行更新，得到更新后的梯度参数
35、
36、再对更新后的梯度参数进行加密后，将加密结果发送给服务器。
37、进一步地，所述利用公钥pk和私钥xi对第j个客户端的梯度参数进行加密，具体为：
38、
39、其中，是第j个客户端梯度参数的加密结果，enc(·)表示加密，rj表示为第j个客户端选择的随机数，h(pk)表示将二进制序列映射为集合z*n中的整数，本文档来自技高网...
【技术保护点】
1.一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述可信中心生成密钥采用的是Paillier秘钥生成系统；
3.根据权利要求2所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述函数L(·)为：
4.根据权利要求3所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述可信中心为客户端集U中的每个客户端分配的随机数xi满足：
5.根据权利要求4所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述梯度参数为：
6.根据权利要求5所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述利用公钥pk和私钥xi对第j个客户端的梯度参数进行加密，具体为：
7.根据权利要求6所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述服务器对接收到的加密结果进行聚合得到聚合结果，具体为：
8.根据权利要求7所述的一种移动群智感知中隐私保护的联邦学习方法
9.根据权利要求8所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述基于解密结果对全局模型参数进行更新，具体为：
10.一种移动群智感知中隐私保护的联邦学习系统，其特征在于，所述系统包括一个移动群智感知平台、多个客户端、一个服务器和一个可信中心；其中：
...【技术特征摘要】
1.一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述可信中心生成密钥采用的是paillier秘钥生成系统；
3.根据权利要求2所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述函数l(·)为：
4.根据权利要求3所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述可信中心为客户端集u中的每个客户端分配的随机数xi满足：
5.根据权利要求4所述的一种移动群智感知中隐私保护的联邦学习方法，其特征在于，所述梯度参数为：
6.根据权利要求5所述的一种移动群智感知中隐私保护的...
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。