龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：杭州电子科技大学
申请日：2024-03-20
公开（公告）日：2024-06-18
公开（公告）号：CN118211676A
主分类号：G06N20/00
分类号：G06N20/00;G06F21/62
优先权：
专利状态码：在审-公开
法律状态：2024.06.18#公开
摘要：本发明公开了一种面向拜占庭攻击防御的去中心化联邦学习方法，该方法首先各客户端在本地进行参数初始化，搭建去中心化联邦学习网络，拜占庭攻击者控制若干客户端成为拜占庭客户端。其次非拜占庭客户端在本地数据集上进行训练得到本地模型，而拜占庭客户端对本地模型进行篡改生成恶意模型，并相互间传输模型参数。然后非拜占庭客户端对于接收到的模型参数和本地模型参数计算信誉积分，识别拜占庭客户端，并丢弃该模型参数，对剩余的模型参数进行加权聚合，得到下一个通信轮次训练的本地模型。最后重复上述操作直至非拜占庭客户端聚合模型收敛。本发明有效地筛选出中心化联邦学习网络中的拜占庭客户端，提高鲁棒性。
主权项：1.一种面向拜占庭攻击防御的去中心化联邦学习方法，其特征在于，包括以下步骤：S1：各客户端在本地进行参数初始化，成为网络拓扑结构中的通信节点，搭建去中心化联邦学习网络，彼此间互相通信，拜占庭攻击者控制若干客户端成为拜占庭客户端，加入去中心化联邦学习网络的运行；S2：非拜占庭客户端在本地数据集上进行多轮的训练，得到当前通信轮次的本地模型，而拜占庭客户端则对本地模型进行篡改，生成恶意模型；S3：非拜占庭客户端随机地选择去中心化联邦学习网络中的客户端作为当前通信轮次的通信对象，并相互间传输本地模型参数，拜占庭客户端也参与通信过程，发送恶意模型参数到非拜占庭客户端；S4：非拜占庭客户端对于接收到的模型参数和本地模型参数，分别截取所有模型的输出层和隐藏层的输出数据；S5：非拜占庭客户端根据输出数据，计算接收的模型的本地偏移和全局偏移；S6：非拜占庭客户端根据本地偏移和全局偏移计算信誉积分；S7：非拜占庭客户端根据信誉积分识别拜占庭客户端，并丢弃拜占庭客户端的模型参数，对于剩余的模型参数进行加权聚合，得到的聚合模型作为下一个通信轮次训练的本地模型；S8：重复S2-S7，直至非拜占庭客户端聚合模型收敛。
全文数据：
权利要求：
百度查询： 杭州电子科技大学 一种面向拜占庭攻击防御的去中心化联邦学习方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号