[發明專利]一種橫向聯邦學習架構下的Free Rider攻擊檢測方法

有效

• 申請號: 202110619300.8
• 申請日: 2021-06-03
• 公開（公告）號: CN113360896B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 于海寧;胡振鵬;陳杰;張宏莉;成燕;梁稚媛;陳瑞;尹萊萊
• 申請（專利權）人: 哈爾濱工業大學;上海浦東發展銀行股份有限公司
• 主分類號: G06F21/55
• 分類號: G06F21/55;G06N20/00
• 代理公司: 哈爾濱市偉晨專利代理事務所(普通合伙) 23209
• 代理人: 李曉敏

1.一種橫向聯邦學習架構下的Free Rider攻擊檢測方法，其特征在于，包括以下步驟：

S1.對全局模型的增量進行線性處理，得到最終的高維樣本x；具體方法是：

x＝c(θ_i(t)-θ(t)) +b

其中，x為經過線性處理的模型增量，θ_i(t)為第t輪參與者i上傳的局部更新模型，θ(t)為第t輪參數服務器傳輸給所有參與者客戶端的全局模型，c,b為預設的用來線性處理的常數；

S2.高維樣本x維在Delta-DAGMM模型中進行降維處理，抽取三部分特征，然后將三部分特征合并得到壓縮后的樣本z；

S3.將壓縮后的樣本z輸入到評估網絡中，并評估樣本z的能量；

S4.根據評估能量得到檢測結果，具體方法是：取出每一名參與者得到的樣本z能量E_i，計算這些樣本z能量的平均值E(t)＝avg(Enlist_i)，設置閾值為E_iE(t)*1.08，將滿足條件的高能量樣本預測為該訓練輪次下的Free rider攻擊者，在每一次聯邦訓練結束后，每一名參與者在所有訓練輪次中累計超過2/3的次數被檢測為Free rider攻擊者，則其最終被判定為Free rider攻擊者。

2.根據權利要求1所述的方法，其特征在于，步驟S1所述高維樣本x根據聯邦訓練模型的不同具體有如下兩種樣本類型：

(1)參與者和參數服務器選取MLP模型，在橫向聯邦訓練中獲取Delta-MLP-Federate.樣本，每一個輸入樣本數組為長度64；

(2)參與者和參數服務器選取CNN模型，在橫向聯邦訓練中獲取Delta-CNN-Federate.樣本,每一個輸入樣本數組為長度50。

3.根據權利要求2所述的方法，其特征在于，步驟S2所述高維樣本x維在Delta-DAGMM模型中進行降維處理的具體方法是：將高維樣本x輸入到壓縮網絡中，并用壓縮網絡中的深度自動編碼器對高維樣本x進行降維處理。

4.根據權利要求3所述的方法，其特征在于，步驟S2所述抽取三部分特征，然后將三部分特征合并得到壓縮后的樣本z的具體方法是：

(1)抽取三部分特征的具體方法：

z_c＝h(x；ζ_e)

x′＝g(z_c；ζ_d)

z_r＝f(x,x′)

其中z_c是由深度自動編碼器學習的簡化低維表示，z_r為從重構誤差導出的特征，ζ_e和ζ_d是深度自動編碼器的參數，x′是x的重構對應物，h(·)表示編碼函數，g(·)表示解碼函數，f(·)表示計算重構誤差特征的函數,z_avg為輸入高維樣本x所有元素的均值；

(2)將三部分特征合并得到壓縮后的樣本z的具體方法是：

z＝[z_c,z_r,z_avg]

其中，z表示壓縮后的樣本。

5.根據權利要求4所述的方法，其特征在于，步驟S3所述將壓縮后的樣本z輸入到評估網絡中，并評估樣本z的能量的具體包括以下步驟：

S3.1在估計網絡中的隸屬度檢測；

S3.2計算GMM中的參數；

S3.3評估樣本z的能量。