本發(fā)明屬于物聯(lián)網(wǎng)隱私安全，尤其涉及一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法。

背景技術(shù)：

1、聯(lián)邦學(xué)習(xí)(federated?learning,fl)是一種保護(hù)隱私分布式機(jī)器學(xué)習(xí)方法，旨在保證數(shù)據(jù)隱私的前提下，充分利用分布在多個(gè)客戶端的數(shù)據(jù)進(jìn)行模型訓(xùn)練。但在聯(lián)邦學(xué)習(xí)中存在著一個(gè)重要挑戰(zhàn)，即數(shù)據(jù)的非獨(dú)立同分布(non-iid)問題。由于參與聯(lián)邦學(xué)習(xí)的每個(gè)客戶端的數(shù)據(jù)在現(xiàn)實(shí)分布通常存在顯著差異，這種數(shù)據(jù)異構(gòu)性會(huì)導(dǎo)致全局模型在某些客戶端上的性能不佳。非獨(dú)立同分布的數(shù)據(jù)會(huì)使得模型更新的效果大相徑庭，從而影響全局模型的收斂速度和最終精度。而且這種由于數(shù)據(jù)異構(gòu)導(dǎo)致的劣化現(xiàn)象在神經(jīng)網(wǎng)絡(luò)模型中的分類器中尤為明顯。因此，如何在保持?jǐn)?shù)據(jù)隱私的同時(shí)，優(yōu)化由于數(shù)據(jù)非獨(dú)立同分布引起的分類器劣化現(xiàn)象，提升聯(lián)邦學(xué)習(xí)框架的整體性能，是當(dāng)前急需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，旨在不上傳客戶端原始數(shù)據(jù)的前提下，訓(xùn)練輕量化gan(生成對(duì)抗網(wǎng)絡(luò))來生成分類器校準(zhǔn)特征，并在服務(wù)器端進(jìn)行重新訓(xùn)練分類器，在實(shí)現(xiàn)物聯(lián)網(wǎng)隱私保護(hù)的前提下，大幅提升模型準(zhǔn)確率。

2、本發(fā)明提供了一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，包括：

3、構(gòu)建聯(lián)邦學(xué)習(xí)模型，所述聯(lián)邦學(xué)習(xí)模型包括服務(wù)器和客戶端，基于服務(wù)端和客戶端對(duì)生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲取訓(xùn)練結(jié)果，其中，對(duì)所述基于服務(wù)端和客戶端對(duì)生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練包括：

4、s1、獲取服務(wù)器端初始參數(shù)；

5、s2、對(duì)所述初始參數(shù)進(jìn)行選擇，獲取客戶端特征數(shù)據(jù)；

6、s3、利用客戶端特征數(shù)據(jù)對(duì)客戶端本地模型進(jìn)行訓(xùn)練，獲取訓(xùn)練結(jié)果；

7、s4、對(duì)所述初始參數(shù)和所述訓(xùn)練結(jié)果進(jìn)行聯(lián)邦聚合，獲取合成特征；

8、s5、基于所述合成特征對(duì)服務(wù)器端分類器進(jìn)行訓(xùn)練，獲取當(dāng)前全局模型參數(shù)；

9、s6、對(duì)所述當(dāng)前全局模型參數(shù)進(jìn)行選擇，重復(fù)步驟s2-s5，直至全局模型參數(shù)滿足預(yù)設(shè)條件，則終止迭代。

10、可選的，獲取服務(wù)器端初始參數(shù)包括：

11、對(duì)每個(gè)類別的數(shù)據(jù)分別采用輕量化模型初始化gan模型參數(shù)，獲取第一參數(shù)；

12、在服務(wù)器端初始化全局模型參數(shù)，獲取第二參數(shù)；

13、基于所述第一參數(shù)和第二參數(shù)，獲取所述服務(wù)器端初始參數(shù)。

14、可選的，對(duì)所述初始參數(shù)進(jìn)行選擇，獲取客戶端特征數(shù)據(jù)包括：

15、統(tǒng)計(jì)客戶端數(shù)據(jù)集中的數(shù)據(jù)種類，并結(jié)合閾值來對(duì)所述初始參數(shù)進(jìn)行選擇，獲取所述客戶端特征數(shù)據(jù)。

16、可選的，結(jié)合閾值來對(duì)所述初始參數(shù)進(jìn)行選擇包括：

17、若所述初始參數(shù)中某類別的數(shù)據(jù)數(shù)量大于所述閾值時(shí)，則添加到所述客戶端中的數(shù)據(jù)集中；

18、否則，不進(jìn)行數(shù)據(jù)添加。

19、可選的，獲取所述閾值的方法為：

20、

21、其中，θ為閾值，w0是服務(wù)器端初始化全局模型參數(shù)，fu是具有參數(shù)u的特征提取器，d是特征向量維數(shù)，cv是具有參數(shù)v的分類器，是生成器生成的相應(yīng)類別的合成特征

22、可選的，利用客戶端特征數(shù)據(jù)對(duì)客戶端本地模型進(jìn)行訓(xùn)練，獲取訓(xùn)練結(jié)果的方法為：

23、

24、其中，gj是此客戶端中類別j通過本地特征提取器得到的特征數(shù)據(jù)集；xj是此客戶端中類別j的全部原始數(shù)據(jù)，是本地特征提取器，wkt+1是利用客戶端k訓(xùn)練得到的客戶端k在第t+1輪的本地模型參數(shù)，ukt+1是本地特征提取器參數(shù)，θ是閾值，di是將客戶端k中的屬于客戶端分配得到的類別j的數(shù)據(jù)。

25、可選的，獲取所述合成特征的方法為：

26、

27、其中，z是數(shù)量為num_samples服從正態(tài)分布的噪聲組成的集合，是相應(yīng)類別的合成特征，ksum是客戶端數(shù)，wkt+1是利用客戶端k訓(xùn)練得到的客戶端k在第t+1輪的本地模型參數(shù)。

28、可選的，基于所述合成特征對(duì)服務(wù)器端分類器進(jìn)行訓(xùn)練，獲取當(dāng)前全局模型參數(shù)包括：

29、基于所述合成特征對(duì)服務(wù)器端分類器進(jìn)行訓(xùn)練，獲取訓(xùn)練后的分類器參數(shù)；

30、將所述分類器參數(shù)和全局模型初始參數(shù)進(jìn)行加權(quán)聚合，獲取當(dāng)前全局模型參數(shù)。

31、可選的，將所述分類器參數(shù)和全局模型初始參數(shù)進(jìn)行加權(quán)聚合的方法為：

32、vserver′＝w1vserver+w2v

33、其中，w1是再訓(xùn)練后分類器的權(quán)重系數(shù)；w2是聯(lián)邦聚合后原始分類器的權(quán)重系數(shù)，vserver是服務(wù)器端的全局模型參數(shù)，vserver′是更新后的全局模型參數(shù)，v為參數(shù)向量。

34、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果：

35、本發(fā)明旨在不上傳客戶端原始數(shù)據(jù)的前提下，訓(xùn)練輕量化gan(生成對(duì)抗網(wǎng)絡(luò))來生成分類器校準(zhǔn)特征，并在服務(wù)器端進(jìn)行重新訓(xùn)練分類器，在實(shí)現(xiàn)物聯(lián)網(wǎng)隱私保護(hù)的前提下，大幅提升模型準(zhǔn)確率。

技術(shù)特征：

1.一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，獲取服務(wù)器端初始參數(shù)包括：

3.根據(jù)權(quán)利要求1所述的一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，對(duì)所述初始參數(shù)進(jìn)行選擇，獲取客戶端特征數(shù)據(jù)包括：

4.根據(jù)權(quán)利要求3所述的一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，結(jié)合閾值來對(duì)所述初始參數(shù)進(jìn)行選擇包括：

5.根據(jù)權(quán)利要求3所述的一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，獲取所述閾值的方法為：

6.根據(jù)權(quán)利要求1所述的一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，利用客戶端特征數(shù)據(jù)對(duì)客戶端本地模型進(jìn)行訓(xùn)練，獲取訓(xùn)練結(jié)果的方法為：

7.根據(jù)權(quán)利要求1所述的一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，獲取所述合成特征的方法為：

8.根據(jù)權(quán)利要求1所述的一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，基于所述合成特征對(duì)服務(wù)器端分類器進(jìn)行訓(xùn)練，獲取當(dāng)前全局模型參數(shù)包括：

9.根據(jù)權(quán)利要求8所述的一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，其特征在于，將所述分類器參數(shù)和全局模型初始參數(shù)進(jìn)行加權(quán)聚合的方法為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于生成對(duì)抗網(wǎng)絡(luò)的物聯(lián)網(wǎng)安全方法，包括：構(gòu)建聯(lián)邦學(xué)習(xí)模型，所述聯(lián)邦學(xué)習(xí)模型包括服務(wù)器和客戶端，基于服務(wù)端和客戶端對(duì)生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲取訓(xùn)練結(jié)果，其中，對(duì)所述基于服務(wù)端和客戶端對(duì)生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練包括：S1、獲取服務(wù)器端初始參數(shù)；S2、對(duì)所述初始參數(shù)進(jìn)行選擇，獲取客戶端特征數(shù)據(jù)；S3、利用客戶端特征數(shù)據(jù)對(duì)客戶端本地模型進(jìn)行訓(xùn)練，獲取訓(xùn)練結(jié)果；S4、對(duì)所述初始參數(shù)和所述訓(xùn)練結(jié)果進(jìn)行聯(lián)邦聚合，獲取合成特征；S5、基于所述合成特征對(duì)服務(wù)器端分類器進(jìn)行訓(xùn)練，獲取當(dāng)前全局模型參數(shù)；S6、對(duì)所述當(dāng)前全局模型參數(shù)進(jìn)行選擇，重復(fù)步驟S2?S5，直至全局模型參數(shù)滿足預(yù)設(shè)條件，則終止迭代。

技術(shù)研發(fā)人員：劉苗,柳龍璽,陳逸陽,滕秀明,周順宇
受保護(hù)的技術(shù)使用者：無錫學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6