[發明專利]一種橫向聯邦學習系統中拜占庭節點的檢測方法及系統

有效

• 申請號: 202110851735.5
• 申請日: 2021-07-27
• 公開（公告）號: CN113554182B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 郭晶晶;劉玖樽;魏林鋒;黃斐然;劉志全
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F21/60;G06F18/241;G06F18/23
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 房鑫

1.一種橫向聯邦學習系統中拜占庭節點的檢測方法，其特征在于，包括以下步驟：

各參與方對自身本地模型進行加密得到加密本地模型并將其上傳；

將各參與方的加密本地模型進行加權求和操作，得到加密全局模型并下發至各參與方；

各參與方對加密全局模型進行解密，并通過計算解密之后的全局模型與自身本地模型的差值得到其余參與方的聚合模型；

各參與方計算其余參與方的聚合模型與自身本地模型的距離；

基于各參與方發送的距離構造模型距離向量，計算模型距離向量中的異常點完成異常參與方檢測；

對于參與方u_i，利用其本地數據集d_i進行模型訓練，得到本地模型其中，本地模型的參數按照特定順序組成本地模型向量參與學習的數據總量為|D|，pk為公鑰；m為本地模型的參數數量；

利用下式對本地模型向量中所有元素進行加密：

令上傳EV_i^t至聚合服務器；

聚合服務器接收到各參與方發送的加密本地模型后，利用下式聚合各參與方的加密本地模型參數：

聚合服務器將更新后的全局模型下發至各參與方；

按下式解密接收到的加密全局模型得到明文全局模型G^t+1：

式中，sk為密鑰；

利用明文全局模型與其自身本地模型，按下式計算其余參與方的聚合模型：

各參與方按下式計算其余參與方的聚合模型與自身本地模型的距離：

基于正態分布的3sigma原理與DBSCAN聚類算法計算模型距離向量中的異常點。

2.根據權利要求1所述橫向聯邦學習系統中拜占庭節點的檢測方法，其特征在于：各參與方利用本地數據進行模型訓練，對訓練得到的本地模型通過Paillier同態加密算法進行加密得到加密本地模型。

3.根據權利要求1所述橫向聯邦學習系統中拜占庭節點的檢測方法，其特征在于，所述正態分布的3sigma原理為：在數據集中的數據符合正態分布的情況下，取值范圍(μ-3σ，μ+3σ)內包含99.7％的數據，取值范圍(μ-2σ，μ+2σ)內包含95.4％的數據，取值范圍(μ-σ，μ+σ)內包含68.3％的數據，其中μ為數據集中的數據均值，σ為數據的標準差。

4.根據權利要求1所述橫向聯邦學習系統中拜占庭節點的檢測方法，其特征在于，所述的DBSCAN聚類算法基于一維數據對模型距離向量進行檢測，找出數據中局部強相關的對象，并識別出數據中的噪聲點進行標記，所標記的噪聲點即為異常數據。

5.一種橫向聯邦學習系統中拜占庭節點的檢測系統，其特征在于，基于權利要求1至4中任意一項所述橫向聯邦學習系統中拜占庭節點的檢測方法實現，包括：

本地模型加密模塊，用于各參與方對自身本地模型進行加密得到加密本地模型并將其上傳；

加密全局模型求取模塊，用于將各參與方的加密本地模型進行加權求和操作，得到加密全局模型并下發至各參與方；

聚合模型求取模塊，用于各參與方對加密全局模型進行解密，并通過計算解密之后的全局模型與自身本地模型的差值得到其余參與方的聚合模型；

距離計算模塊，用于各參與方計算其余參與方的聚合模型與自身本地模型的距離；

異常點檢測模塊，用于基于各參與方發送的距離構造模型距離向量，計算模型距離向量中的異常點完成異常參與方檢測。