公开(公告)号：CN115081002B

公开(公告)日：2024-05-14

申请号：CN202210752319.4

申请日：2022-06-28

Applicant: 西安电子科技大学

Inventor： 李长乐 ,  常田雨 ,  付宇钏 ,  刘莎

IPC: G06F21/60 ,  G06F21/64 ,  G06N20/00

Abstract: 本发明提出了一种用于去中心化联邦学习的聚合服务器选择方法，主要解决现有联邦学习框架中聚合服务器出现单点故障易受攻击的问题，其实现方案为：1)聚合服务器车辆生成初始全局模型并下发；2)客户端车辆对全局模型进行本地训练和更新，并确定聚合服务器选举性能分数；3)客户端车辆在性能分数中选最大值，并上传本地梯度更新值；4)本地模型和全局模型身份交互，开始新一轮模型更新迭代；5)重复步骤(2)～步骤(4)，直到全局模型精度达到收敛时精度的最大值停止迭代，得到最终的聚合服务器。本发明通过对聚合服务器的选择提高了联邦学习聚合服务器受到攻击时全局模型的精度，保证了联邦学习过程的安全性。

公开(公告)号：CN115081002A

公开(公告)日：2022-09-20

申请号：CN202210752319.4

申请日：2022-06-28

Applicant: 西安电子科技大学

Inventor： 李长乐 ,  常田雨 ,  付宇钏 ,  刘莎

IPC: G06F21/60 ,  G06F21/64 ,  G06N20/00

Abstract: 本发明提出了一种用于去中心化联邦学习的聚合服务器选择方法，主要解决现有联邦学习框架中聚合服务器出现单点故障易受攻击的问题，其实现方案为：1)聚合服务器车辆生成初始全局模型并下发；2)客户端车辆对全局模型进行本地训练和更新，并确定聚合服务器选举性能分数；3)客户端车辆在性能分数中选最大值，并上传本地梯度更新值；4)本地模型和全局模型身份交互，开始新一轮模型更新迭代；5)重复步骤(2)～步骤(4)，直到全局模型精度达到收敛时精度的最大值停止迭代，得到最终的聚合服务器。本发明通过对聚合服务器的选择提高了联邦学习聚合服务器受到攻击时全局模型的精度，保证了联邦学习过程的安全性。