公开(公告)号：CN115544873B

公开(公告)日：2023-10-17

申请号：CN202211184157.5

申请日：2022-09-27

Applicant: 南京邮电大学

Inventor： 刘淼 ,  郭亮 ,  夏雨虹 ,  王少鹏 ,  杨洁 ,  桂冠

IPC: G06F30/27 ,  G06N20/00 ,  G06Q10/0639 ,  G06F111/16

Abstract: 本发明属于个性化联邦学习领域，尤其是个性化联邦学习的训练效率与个性化效果量化评估方法，包括以下步骤：S1、创建一个Non‑IID的跨域数据集，作为评测数据集；S2、选择合适的模型，作为个性化联邦学习的初始全局模型；S3、进行联邦学习的全局神经网络训练，聚合出一个收敛的全局神经网络模型；S4、各个客户端利用本地的数据集对下发的全局模型进行优化，收敛并形成个性化的本地神经网络模型；本发明充分考虑了跨域异质的场景，实现了模型的个性化功能，在现有研究的基础上，针对个性化联邦学习训练效率和个性化效果给出定性定量的评价指标，为在跨域异质场景下，为衡量不同个性化联邦学习算法与架构提供了一种具体方法。

公开(公告)号：CN116304598A

公开(公告)日：2023-06-23

申请号：CN202211549230.4

申请日：2022-12-05

Applicant: 南京邮电大学

Inventor： 赵海涛 ,  施颖 ,  郭亮 ,  李洁 ,  王少鹏 ,  刘淼 ,  杨洁

IPC: G06F18/21 ,  G06N20/00

Abstract: 本发明涉及联邦学习技术领域，公开了一种联邦学习安全性测评方法，其以评测联邦学习架构在受到恶意对手攻击后的安全风险程度为目标，首先明确联邦学习网络框架，详细描述在密文域下安全聚合梯度的过程；接着定义漏洞、威胁攻击，明确联邦学习任务；然后采用层次分析法，以漏洞、任务、客户端的顺序展开对联邦学习模型的安全性的评估，最后结合模型分类准确率对联邦学习模型进行综合评价。本发明解决了研究联邦学习框架中无法测评架构运行安全性的问题。

公开(公告)号：CN115952507A

公开(公告)日：2023-04-11

申请号：CN202211549244.6

申请日：2022-12-05

Applicant: 南京邮电大学

Inventor： 赵海涛 ,  潘晨悦 ,  郭亮 ,  李洁 ,  王少鹏 ,  杨洁 ,  刘淼 ,  徐波

IPC: G06F21/57 ,  G06F21/62

Abstract: 本发明涉及联邦学习隐私评测技术领域，公开了一种跨域异质场景下的联邦学习隐私性评估方法，包括：确定联邦学习在跨域异质场景下的任务和数据集，并根据算法确定潜在攻击风险；根据任务对数据集进行关联度筛选；将客户端发送给联邦学习中央服务器的数据采用设定的隐私加强技术进行加密处理；根据具有代表性的攻击模型计算客户端的隐私性指标；根据设置的阈值判定客户端参与联邦学习时所上传数据的隐私泄露风险。本发明提供的跨域异质场景下的联邦学习隐私性评估方法，通过在客户端模拟攻击，计算攻击结果来判断隐私性的安全程度，对联邦学习模型和数据都没有要求，适用于大部分实际情况。

公开(公告)号：CN115544873A

公开(公告)日：2022-12-30

申请号：CN202211184157.5

申请日：2022-09-27

Applicant: 南京邮电大学

Inventor： 刘淼 ,  郭亮 ,  夏雨虹 ,  王少鹏 ,  杨洁 ,  桂冠

IPC: G06F30/27 ,  G06N20/00 ,  G06Q10/06 ,  G06F111/16

Abstract: 本发明属于个性化联邦学习领域，尤其是个性化联邦学习的训练效率与个性化效果量化评估方法，包括以下步骤：S1、创建一个Non‑IID的跨域数据集，作为评测数据集；S2、选择合适的模型，作为个性化联邦学习的初始全局模型；S3、进行联邦学习的全局神经网络训练，聚合出一个收敛的全局神经网络模型；S4、各个客户端利用本地的数据集对下发的全局模型进行优化，收敛并形成个性化的本地神经网络模型；本发明充分考虑了跨域异质的场景，实现了模型的个性化功能，在现有研究的基础上，针对个性化联邦学习训练效率和个性化效果给出定性定量的评价指标，为在跨域异质场景下，为衡量不同个性化联邦学习算法与架构提供了一种具体方法。