鲁棒的个性化联邦学习方法、装置、系统及存储介质

    公开(公告)号:CN116962085A

    公开(公告)日:2023-10-27

    申请号:CN202311213109.9

    申请日:2023-09-20

    Abstract: 本说明书实施例提供了一种鲁棒的个性化联邦学习方法、装置及系统,方法包括:服务器接收来自多个客户端的模型更新数据,模型更新数据为在客户端上训练的本地模型的参数在训练前后的参数差值;服务器根据模型更新数据,得到各模型更新数据之间的基于α的层位置正则化相似度;服务器针对每一个客户端,根据基于α的层位置正则化相似度,得到模型更新数据的权重;服务器根据模型更新数据的权重和模型更新数据,分别得到各客户端对应的聚合模型更新数据;服务器发送聚合模型更新数据到各客户端。本申请提供的技术方案用以解决在联邦学习中系统中存在恶意攻击者时,通过本地协作训练算法同时训练本地模型和聚合模型来抵御恶意客户端的投毒攻击问题。

    一种联邦学习的本地模型参数聚合方法

    公开(公告)号:CN116702191A

    公开(公告)日:2023-09-05

    申请号:CN202310615878.5

    申请日:2023-05-29

    Abstract: 本发明提供了一种联邦学习本地模型参数聚合方法。该方法包括:对可信机构进行初始化处理,获得系统公共参数和主私钥;客户端和中心服务器向可信机构请求注册,可信机构组建所有客户端的通信群;客户端使用本地数据对中心服务器下发的全局模型进行训练,获得本地模型参数;客户端使用签名密钥和中心服务器的公钥签名并加密本地模型参数,将本地模型参数的密文和签名以匿名方式上传给中心服务器;中心服务器解密各客户端上传的本地模型参数,验证本地模型参数的签名;聚合经过验证的本地模型参数,根据聚合结果更新全局模型,向通信群中的所有客户端广播更新后的全局模型。本发明方法强化了联邦学习的隐私保护能力,维护联邦学习系统的鲁棒性。

    面向联邦学习投毒攻击的防御方法、装置、设备及介质

    公开(公告)号:CN116527393A

    公开(公告)日:2023-08-01

    申请号:CN202310662319.X

    申请日:2023-06-06

    Abstract: 本发明提供了一种面向联邦学习投毒攻击的防御方法、装置、设备及介质,包括:从多个客户端中获取本地数据对应的第一特征嵌入信息,本地数据预存在客户端中,各个客户端中的本地数据为总训练样本的不相交的样本子集;对第一特征嵌入信息与预存的本地数据对应的数据标签进行互信息计算;根据计算得到的互信息对第一特征嵌入信息进行异常特征嵌入剔除,并将剔除后的第一特征嵌入信息作为正常特征嵌入信息;基于正常特征嵌入信息对预存的顶部模型进行训练,以优化顶部模型参数。本发明能够在不借助辅助数据以及不接触客户端底部模型的条件下实现对恶意样本的规避且不影响模型的可用性,适用于纵向联邦学习场景中。

    面向隐私保护的纵向联邦学习非对齐样本预测方法及系统

    公开(公告)号:CN117196060A

    公开(公告)日:2023-12-08

    申请号:CN202310932203.3

    申请日:2023-07-27

    Abstract: 本发明提供一种面向隐私保护的纵向联邦学习非对齐样本预测方法及系统,属于网络安全技术领域,获取待预测的非对齐样本;利用预先训练好的特征编码器对非对齐样本预测联合特征表示;利用预先训练好的顶部模型对联合特征表示进行处理,得到预测结果;其中,所述预先训练好的顶部模型。本发明不会影响原始VFL系统的表现,并具有隐私保护能力;可与任何利用非对齐数据训练VFL模型的方法相结合,提高原始VFL的表现;为VFL系统提供了针对非对齐样本的预测功能,极大的扩展了纵向联邦学习系统的应用范围。

    一种基于无先验知识的联邦推荐投毒攻击方法

    公开(公告)号:CN116796309A

    公开(公告)日:2023-09-22

    申请号:CN202310381101.7

    申请日:2023-04-11

    Abstract: 本发明提供了一种基于无先验知识的联邦推荐投毒攻击方法。该方法包括:根据攻击需求选取项目池中拟攻击的目标项目;计算与目标项目的嵌入向量最相似的多个项目,构建恶意用户虚假交互列表;基于恶意用户虚假交互列表近似喜欢目标项目的恶意用户的嵌入向量;客户端根据近似的嵌入向量以及服务器下发的模型参数求解损失函数,并将所得梯度上传至服务器;服务器聚合更新上传的模型参数并将其下发至客户端,重复上述操作直至训练结束。本发明利用用户配置文件及其交互项目间存在的某种隐式相关性,刻画攻击必需但难以获取的用户嵌入向量,能够在不依赖任何先验知识的前提下实现对联邦推荐系统的有效攻击,充分完成了对联邦推荐系统的安全性评估。

    面向联邦学习投毒攻击的防御方法及系统

    公开(公告)号:CN115907029B

    公开(公告)日:2023-07-21

    申请号:CN202211391958.9

    申请日:2022-11-08

    Abstract: 本发明提供一种面向联邦学习投毒攻击的防御方法及系统,属于网络安全技术领域,在每轮联邦训练开始阶段将全局模型传输给各个参与方;其中,在第一轮联邦训练时初始化全局模型;利用接收到的参数更新后的全局模型,聚合新的全局模型;其中,参与方基于本地数据和初始化全局模型进行规定轮次的本地训练,进行全局模型参数的更新。本发明计算每一层模型更新的偏差和整体模型更新的偏差,将超过阈值的模型更新偏差的数量作为异常得分,筛选异常得分最小的参与方的模型更新进行聚合,实现了比仅考虑全部参数的距离更细粒度的筛选,筛选结果的数量基于更新参数的异常程度,保证了模型的收敛速度和准确率,同时能有效地应对目标性和非目标性的投毒攻击。

    一种基于特征嵌入分析的纵向联邦学习隐私泄露检测方法

    公开(公告)号:CN116341004A

    公开(公告)日:2023-06-27

    申请号:CN202310304542.7

    申请日:2023-03-27

    Abstract: 本发明提供了一种基于特征嵌入分析的纵向联邦学习隐私泄露检测方法。该方法包括:检测者在纵向联邦学习的训练过程中嵌入影子数据;获取影子数据和纵向联邦学习的目标参与者的私有训练数据在底部模型上的特征嵌入数据,对特征嵌入数据进行平滑处理;利用影子数据和影子数据平滑处理后的特征嵌入数据克隆底部模型的代理模型;利用代理模型通过特征嵌入匹配重构目标参与者的私有训练数据,对纵向联邦学习进行原始数据泄露检测。本发明方法在不破坏VFL效用的条件下,同时实现了对模型泄露、原始数据泄露以及数据特征泄露的脆弱性分析。

Patent Agency Ranking