欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

一種聯(lián)邦學(xué)習(xí)防范攻擊方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)與流程

文檔序號(hào):40641318發(fā)布日期:2025-01-10 18:47閱讀:4來(lái)源:國(guó)知局
一種聯(lián)邦學(xué)習(xí)防范攻擊方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)與流程

本發(fā)明屬于隱私計(jì)算,更具體的說(shuō)是涉及一種聯(lián)邦學(xué)習(xí)防范攻擊方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)。


背景技術(shù):

1、聯(lián)邦學(xué)習(xí)作為一種前沿的分布式機(jī)器學(xué)習(xí)技術(shù),其背景技術(shù)主要源于解決當(dāng)前人工智能領(lǐng)域面臨的兩大核心挑戰(zhàn):數(shù)據(jù)孤島與數(shù)據(jù)隱私保護(hù)。隨著數(shù)據(jù)量的爆炸性增長(zhǎng),不同機(jī)構(gòu)間數(shù)據(jù)難以整合形成“數(shù)據(jù)孤島”,限制了ai模型的效果。同時(shí),隨著數(shù)據(jù)保護(hù)法規(guī)(如gdpr)的嚴(yán)格實(shí)施,用戶隱私和數(shù)據(jù)安全成為不可逾越的紅線。聯(lián)邦學(xué)習(xí)應(yīng)運(yùn)而生,它允許多個(gè)數(shù)據(jù)擁有方在不直接共享原始數(shù)據(jù)的前提下,通過(guò)加密和分布式計(jì)算技術(shù)共同訓(xùn)練模型,既保護(hù)了數(shù)據(jù)隱私,又打破了數(shù)據(jù)孤島,實(shí)現(xiàn)了數(shù)據(jù)的高效協(xié)作利用。這一技術(shù)背景為聯(lián)邦學(xué)習(xí)在多個(gè)行業(yè)領(lǐng)域的廣泛應(yīng)用奠定了堅(jiān)實(shí)基礎(chǔ)。

2、聯(lián)邦學(xué)習(xí)本質(zhì)上是分布式學(xué)習(xí),數(shù)據(jù)存在各參與節(jié)點(diǎn)上,需要各參與節(jié)點(diǎn)分別對(duì)模型進(jìn)行訓(xùn)練后發(fā)送至聚合節(jié)點(diǎn)進(jìn)行模型聚合,每一個(gè)節(jié)點(diǎn)的模型出現(xiàn)異常都會(huì)導(dǎo)致最終結(jié)果出現(xiàn)偏差甚至模型災(zāi)難;在進(jìn)行聯(lián)邦學(xué)習(xí)過(guò)程中,聯(lián)邦通信常常成為了惡意攻擊的對(duì)象,攻擊者通常通過(guò)對(duì)參與節(jié)點(diǎn)發(fā)往聚合節(jié)點(diǎn)的模型參數(shù)進(jìn)行攔截并修改,達(dá)到擾亂模型訓(xùn)練甚至指揮模型訓(xùn)練的目的,而常用的通信加密方式都有被攻破的可能。

3、在這種情況下,如何設(shè)計(jì)一種能夠抵抗聯(lián)邦通信攻擊,在通信過(guò)程即使被監(jiān)聽的情況下仍然能夠保證聯(lián)邦學(xué)習(xí)過(guò)程安全的的方法成為了亟需解決的問(wèn)題。


技術(shù)實(shí)現(xiàn)思路

1、針對(duì)以上問(wèn)題,本發(fā)明的目的在于提供一種聯(lián)邦學(xué)習(xí)防范攻擊方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì),利用vdf計(jì)算過(guò)程耗時(shí)且無(wú)法縮短,但驗(yàn)證過(guò)程迅速的優(yōu)點(diǎn),并同時(shí)設(shè)計(jì)了上下游節(jié)點(diǎn)交叉驗(yàn)證的方式,有效的防止惡意程序通過(guò)非法篡改節(jié)點(diǎn)提交的模型參數(shù)而達(dá)到擾亂甚至控制整體訓(xùn)練效果的行為,使得聯(lián)邦學(xué)習(xí)即使在節(jié)點(diǎn)通信過(guò)程中被監(jiān)聽甚至被攔截篡改的情況下仍能保證整體流程的安全性、穩(wěn)定性。

2、本發(fā)明為實(shí)現(xiàn)上述目的,通過(guò)以下技術(shù)方案實(shí)現(xiàn):

3、第一方面,本技術(shù)實(shí)施例提供一種聯(lián)邦學(xué)習(xí)防范攻擊方法,包括:

4、通過(guò)聚合節(jié)點(diǎn)同步各參與節(jié)點(diǎn)的時(shí)鐘,設(shè)定網(wǎng)絡(luò)延遲閾值、vdf時(shí)間參數(shù)和安全參數(shù),通過(guò)初始化函數(shù)獲取公共參數(shù),并向參與節(jié)點(diǎn)下發(fā)相關(guān)的計(jì)算參數(shù);

5、通過(guò)聚合節(jié)點(diǎn)隨機(jī)生成交叉驗(yàn)證圖,下發(fā)模型及前置節(jié)點(diǎn)地址給目標(biāo)節(jié)點(diǎn);目標(biāo)節(jié)點(diǎn)進(jìn)行本地模型訓(xùn)練,利用當(dāng)前的模型參數(shù)、目標(biāo)節(jié)點(diǎn)和前置節(jié)點(diǎn)生成的隨機(jī)數(shù)進(jìn)行vdf計(jì)算,生成訓(xùn)練和計(jì)算結(jié)果信息提交給聚合節(jié)點(diǎn)進(jìn)行驗(yàn)證;

6、通過(guò)聚合節(jié)點(diǎn)對(duì)訓(xùn)練和計(jì)算結(jié)果信息進(jìn)行時(shí)間驗(yàn)證和vdf驗(yàn)證,根據(jù)驗(yàn)證結(jié)果決定是否接受模型參數(shù)參與聚合;

7、通過(guò)聚合節(jié)點(diǎn)使用加權(quán)平均算法對(duì)通過(guò)驗(yàn)證的節(jié)點(diǎn)提交的模型參數(shù)進(jìn)行聚合,形成新的全局模型。

8、在一個(gè)可選的實(shí)施方式中,所述方法還包括:

9、當(dāng)時(shí)間驗(yàn)證或vdf驗(yàn)證失敗后,通過(guò)聚合節(jié)點(diǎn)發(fā)出警報(bào)并拒絕相應(yīng)的節(jié)點(diǎn)參與模型聚合。

10、在一個(gè)可選的實(shí)施方式中,所述通過(guò)聚合節(jié)點(diǎn)同步各參與節(jié)點(diǎn)的時(shí)鐘,設(shè)定網(wǎng)絡(luò)延遲閾值、vdf時(shí)間參數(shù)和安全參數(shù),通過(guò)初始化函數(shù)獲取公共參數(shù),并向參與節(jié)點(diǎn)下發(fā)相關(guān)的計(jì)算參數(shù),包括:

11、通過(guò)時(shí)鐘服務(wù)器對(duì)聚合節(jié)點(diǎn)與各參與節(jié)點(diǎn)進(jìn)行時(shí)間同步;

12、通過(guò)聚合節(jié)點(diǎn)設(shè)定網(wǎng)絡(luò)延遲閾值?net_t,并在任務(wù)開始前設(shè)定vdf時(shí)間參數(shù)?vdf_tt?和安全參數(shù)?vdf_s。

13、使用?initialize(vdf_tt,?vdf_s)?函數(shù)計(jì)算獲取公共參數(shù)?op=(ep,?vp)。

14、通過(guò)聚合節(jié)點(diǎn)向各參與節(jié)點(diǎn)下發(fā)計(jì)算參數(shù)ep,并保存驗(yàn)證參數(shù)vp。

15、在一個(gè)可選的實(shí)施方式中,所述通過(guò)聚合節(jié)點(diǎn)隨機(jī)生成交叉驗(yàn)證圖,下發(fā)模型及前置節(jié)點(diǎn)地址給目標(biāo)節(jié)點(diǎn),包括:

16、通過(guò)聚合節(jié)點(diǎn)隨機(jī)生成交叉驗(yàn)證圖,確保每個(gè)節(jié)點(diǎn)有且僅有一個(gè)上游節(jié)點(diǎn)和一個(gè)下游節(jié)點(diǎn)。

17、通過(guò)聚合節(jié)點(diǎn)將待訓(xùn)練模型及前置節(jié)點(diǎn)a的地址下發(fā)至目標(biāo)節(jié)點(diǎn)b;

18、其中,目標(biāo)節(jié)點(diǎn)b為任意節(jié)點(diǎn),前置節(jié)點(diǎn)a為目標(biāo)節(jié)點(diǎn)b的上游節(jié)點(diǎn)。

19、在一個(gè)可選的實(shí)施方式中,所述目標(biāo)節(jié)點(diǎn)進(jìn)行本地模型訓(xùn)練,利用當(dāng)前的模型參數(shù)、目標(biāo)節(jié)點(diǎn)和前置節(jié)點(diǎn)生成的隨機(jī)數(shù)進(jìn)行vdf計(jì)算,生成訓(xùn)練和計(jì)算結(jié)果信息提交給聚合節(jié)點(diǎn)進(jìn)行驗(yàn)證,包括:

20、當(dāng)目標(biāo)節(jié)點(diǎn)b收到待訓(xùn)練模型及前置節(jié)點(diǎn)a的地址后,生成隨機(jī)數(shù)?b_num,并進(jìn)行本地模型訓(xùn)練;

21、訓(xùn)練結(jié)束后,目標(biāo)節(jié)點(diǎn)b向前置節(jié)點(diǎn)a發(fā)起加密請(qǐng)求,通過(guò)前置節(jié)點(diǎn)a記錄訪問(wèn)時(shí)間a_t?并生成隨機(jī)數(shù)?a_num返回至目標(biāo)節(jié)點(diǎn)b;

22、通過(guò)目標(biāo)節(jié)點(diǎn)b將隨機(jī)數(shù)a_num、b_num?及當(dāng)前的模型參數(shù)拼接為拼接參數(shù)p1,與計(jì)算參數(shù)ep一同進(jìn)行可驗(yàn)證延遲函數(shù)vdf計(jì)算,得到計(jì)算結(jié)果y和證明v;

23、通過(guò)目標(biāo)節(jié)點(diǎn)b當(dāng)前的模型參數(shù)、計(jì)算結(jié)果y、證明v、隨機(jī)數(shù)b_num?和時(shí)間戳?b_t提交至聚合節(jié)點(diǎn)。

24、在一個(gè)可選的實(shí)施方式中,所述通過(guò)聚合節(jié)點(diǎn)對(duì)訓(xùn)練和計(jì)算結(jié)果信息進(jìn)行時(shí)間驗(yàn)證和vdf驗(yàn)證,根據(jù)驗(yàn)證結(jié)果決定是否接受模型參數(shù)參與聚合,包括:

25、通過(guò)聚合節(jié)點(diǎn)使用當(dāng)前時(shí)間t、訪問(wèn)時(shí)間?a_t、預(yù)設(shè)的網(wǎng)絡(luò)延遲閾值net_t?和vdf時(shí)間參數(shù)vdf_tt?進(jìn)行時(shí)間驗(yàn)證,驗(yàn)證時(shí)間差?diff_t?是否小于?net_t?+?vdf_tt;其中,diff_t=t-?a_t;

26、若時(shí)間驗(yàn)證通過(guò),將隨機(jī)數(shù)a_num、b_num?和當(dāng)前的模型參數(shù)拼接為驗(yàn)證參數(shù)?p2,使用驗(yàn)證參數(shù)p2、驗(yàn)證參數(shù)vp、計(jì)算結(jié)果y和證明v進(jìn)行vdf驗(yàn)證;

27、若vdf驗(yàn)證通過(guò),則接受目標(biāo)節(jié)點(diǎn)b?的模型參數(shù)參與模型聚合。

28、在一個(gè)可選的實(shí)施方式中,所述通過(guò)聚合節(jié)點(diǎn)使用加權(quán)平均算法對(duì)通過(guò)驗(yàn)證的節(jié)點(diǎn)提交的模型參數(shù)進(jìn)行聚合,形成新的全局模型,包括:

29、通過(guò)聚合節(jié)點(diǎn)收集所有通過(guò)時(shí)間驗(yàn)證和vdf驗(yàn)證的節(jié)點(diǎn)的模型參數(shù);

30、使用加權(quán)平均算法對(duì)所有模型參數(shù)進(jìn)行聚合處理;

31、聚合完成后,形成新的全局模型以供使用或評(píng)估。

32、第二方面,本技術(shù)實(shí)施例還提供了一種聯(lián)邦學(xué)習(xí)防范攻擊系統(tǒng),包括:

33、初始化模塊,用于通過(guò)聚合節(jié)點(diǎn)同步各參與節(jié)點(diǎn)的時(shí)鐘,設(shè)定網(wǎng)絡(luò)延遲閾值、vdf時(shí)間參數(shù)和安全參數(shù),通過(guò)初始化函數(shù)獲取公共參數(shù),并向參與節(jié)點(diǎn)下發(fā)相關(guān)的計(jì)算參數(shù);

34、聯(lián)邦建模模塊,用于通過(guò)聚合節(jié)點(diǎn)隨機(jī)生成交叉驗(yàn)證圖,下發(fā)模型及前置節(jié)點(diǎn)地址給目標(biāo)節(jié)點(diǎn);目標(biāo)節(jié)點(diǎn)進(jìn)行本地模型訓(xùn)練,利用當(dāng)前的模型參數(shù)、目標(biāo)節(jié)點(diǎn)和前置節(jié)點(diǎn)生成的隨機(jī)數(shù)進(jìn)行vdf計(jì)算,生成訓(xùn)練和計(jì)算結(jié)果信息提交給聚合節(jié)點(diǎn)進(jìn)行驗(yàn)證;

35、聚合節(jié)點(diǎn)驗(yàn)證模塊,用于通過(guò)聚合節(jié)點(diǎn)對(duì)訓(xùn)練和計(jì)算結(jié)果信息進(jìn)行時(shí)間驗(yàn)證和vdf驗(yàn)證,根據(jù)驗(yàn)證結(jié)果決定是否接受模型參數(shù)參與聚合;

36、模型聚合模塊,用于通過(guò)聚合節(jié)點(diǎn)使用加權(quán)平均算法對(duì)通過(guò)驗(yàn)證的節(jié)點(diǎn)提交的模型參數(shù)進(jìn)行聚合,形成新的全局模型。

37、第三方面,本技術(shù)實(shí)施例還提供了一種電子設(shè)備,包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序,所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上文任一項(xiàng)所述聯(lián)邦學(xué)習(xí)防范攻擊方法的步驟。

38、第四方面,本技術(shù)實(shí)施例還提供了一種存儲(chǔ)介質(zhì),其上存儲(chǔ)有計(jì)算機(jī)程序,所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文任一項(xiàng)所述聯(lián)邦學(xué)習(xí)防范攻擊的步驟。

39、從以上技術(shù)方案可以看出,本發(fā)明具有以下優(yōu)點(diǎn):

40、本技術(shù)提供的聯(lián)邦學(xué)習(xí)防范攻擊方法中,使用交叉驗(yàn)證圖組織參與節(jié)點(diǎn)進(jìn)行節(jié)點(diǎn)間的交叉驗(yàn)證,在每輪訓(xùn)練中每個(gè)節(jié)點(diǎn)向上游節(jié)點(diǎn)申請(qǐng)隨機(jī)數(shù)并將該隨機(jī)數(shù)與本節(jié)點(diǎn)隨機(jī)數(shù)和訓(xùn)練完成的模型參數(shù)一同進(jìn)行vdf計(jì)算,聚合節(jié)點(diǎn)根據(jù)vdf計(jì)算結(jié)果和證明以及其上游節(jié)點(diǎn)提交的隨機(jī)數(shù)等參數(shù)進(jìn)行該節(jié)點(diǎn)的安全驗(yàn)證,通過(guò)驗(yàn)證的節(jié)點(diǎn)才可參與模型聚合。本方法能夠有效的防止惡意程序篡改節(jié)點(diǎn)上傳的模型參數(shù)而達(dá)到干擾聯(lián)邦學(xué)習(xí)的目的。

41、本技術(shù)通過(guò)引入可驗(yàn)證延遲函數(shù)(vdf)進(jìn)行時(shí)間驗(yàn)證和vdf驗(yàn)證,確保了參與節(jié)點(diǎn)在提交模型參數(shù)前進(jìn)行了足夠時(shí)間的計(jì)算,有效防范了惡意節(jié)點(diǎn)通過(guò)快速生成或篡改模型參數(shù)進(jìn)行的攻擊。同時(shí),通過(guò)設(shè)定網(wǎng)絡(luò)延遲閾值和安全參數(shù),進(jìn)一步增強(qiáng)了系統(tǒng)的安全性和可信度。此外,當(dāng)時(shí)間驗(yàn)證或vdf驗(yàn)證失敗時(shí),系統(tǒng)會(huì)發(fā)出警報(bào)并拒絕相應(yīng)的節(jié)點(diǎn)參與模型聚合,從而及時(shí)排除潛在的安全隱患。

42、本技術(shù)通過(guò)聚合節(jié)點(diǎn)隨機(jī)生成交叉驗(yàn)證圖,并下發(fā)模型及前置節(jié)點(diǎn)地址給目標(biāo)節(jié)點(diǎn),實(shí)現(xiàn)了模型訓(xùn)練的分布式處理。目標(biāo)節(jié)點(diǎn)在本地進(jìn)行模型訓(xùn)練后,利用當(dāng)前的模型參數(shù)和生成的隨機(jī)數(shù)進(jìn)行vdf計(jì)算,并提交給聚合節(jié)點(diǎn)進(jìn)行驗(yàn)證。這種機(jī)制不僅提高了模型訓(xùn)練的并行度和效率,還通過(guò)交叉驗(yàn)證的方式增強(qiáng)了模型的準(zhǔn)確性和泛化能力。

43、本技術(shù)通過(guò)聚合節(jié)點(diǎn)使用加權(quán)平均算法對(duì)通過(guò)驗(yàn)證的節(jié)點(diǎn)提交的模型參數(shù)進(jìn)行聚合,形成新的全局模型。這種聚合方式不僅考慮了各個(gè)節(jié)點(diǎn)的模型參數(shù),還通過(guò)加權(quán)平均的方式平衡了不同節(jié)點(diǎn)對(duì)全局模型的影響,從而提高了全局模型的穩(wěn)定性和性能。同時(shí),聚合完成后形成的新全局模型可以供后續(xù)使用或評(píng)估,為聯(lián)邦學(xué)習(xí)的持續(xù)優(yōu)化和改進(jìn)提供了有力支持。

44、本技術(shù)通過(guò)引入vdf驗(yàn)證、設(shè)定網(wǎng)絡(luò)延遲閾值和安全參數(shù)、隨機(jī)生成交叉驗(yàn)證圖以及使用加權(quán)平均算法進(jìn)行模型聚合等機(jī)制,有效提高了聯(lián)邦學(xué)習(xí)的安全性和可信度,同時(shí)優(yōu)化了模型訓(xùn)練的效率和準(zhǔn)確性,為聯(lián)邦學(xué)習(xí)的廣泛應(yīng)用提供了有力保障。

當(dāng)前第1頁(yè)1 2 
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1
夏河县| 沁水县| 芜湖县| 东宁县| 佛教| 泸溪县| 黄浦区| 永州市| 梓潼县| 皮山县| 阜平县| 加查县| 文登市| 稷山县| 南开区| 谷城县| 连南| 新郑市| 镇原县| 日喀则市| 固镇县| 宜兰市| 顺平县| 建平县| 年辖:市辖区| 壤塘县| 南丰县| 苍南县| 宁阳县| 越西县| 玛沁县| 荣成市| 仁寿县| 阳原县| 苏尼特右旗| 广安市| 交口县| 尉犁县| 安溪县| 盘山县| 武城县|