CN115883076B 一种联邦学习隐私保护方法、系统、介质、设备及终端 （西安邮电大学）

对的初始化；密钥分发阶段，基于椭圆曲线的列并计算掩码的公共参数，并发送参数给服务器认证客户端，服务器聚合模型参数并广播列务器恢复掉线客户端掩码和在线客户端随机数了对密钥的可快速分发，同时保证密钥的隐私2在线客户端根据对应掉线客户端的公开参数计算每个掉线客户端的秘密共享参数并的参数和生成元gu发送给服务器；服务器把辅助函数的参数和生成元发送给各个客户端；3客户端构造一个秘密共享的辅助函数，并将1)每个客户端随机选取常数φ>0，根数(x-φ)t＝xt+δ1xt-1+δ2xt-2+...+δ4)服务器在确定收到至少t个客户端的信息后将每个客户端上传的参数进行广播，若2)服务器在确定收到至少t个客户端的信息后4.如权利要求2所述联邦学习隐私保护方法，其特征在于，在步骤二中的密钥分发阶的Qus,随机选取两个整数，分别使用双参数单向函数计算I,4t＜v≤n；mn_1和T’u2)服务器在确定收到至少t个客户端的信息后将上传消息的客户端身份记录在列表U0uvv和u＜v表示根据客户端5其中(x22)表示计算出来的椭圆曲线坐标；3)继续计算ψ=x2modλ,并对客户端进行验证如果验证6.如权利要求2所述联邦学习隐私保护方法，其特征在于，在步骤四中的模型聚合阶在线客户端收到服务器广播的掉线客户端列表后，使用对应客户端的公开参数计算62)服务器将掉线客户端的掩码和在线客户端的随机数掩码加入到聚合参数中，计算3)服务器将聚合得到的模型参数作为更新的全局模型参数发送给每个客户7.一种应用如权利要求1～6任意一项所述联邦学习隐私保护方法的联邦学习隐私保密钥分发模块，用于基于椭圆曲线的Diffie-Hellm掩码生成及客户端认证模块，用于计算掩码并加入至本地模型参数；客模型聚合模块，用于通过客户端计算秘密共享参数，服务器恢复掉线客户端理器执行如权利要求1～6任意一项所述联邦学习隐私保护方法7[0001]本发明属于联邦学习隐私保护技术领域，尤其涉及一种联邦学习隐私保护方法、[0004]但是现有的方法都存在时间开销过高的问题，无法适用于大规模联邦学习的场需要通过服务器给其余客户端发送掩码密钥的子秘密，频繁的通信极大地增加了时间开[0006](1)传统的联邦学习算法技术中，攻击者可以通过参与方上传的本地模型参数反[0007](2)现有的使用Shamir秘密共享的双掩码方案保护本地模型更新参数的方法中，验证参与方的身份可能会导致大量陌生信息涌入并影响8[0012]在线客户端根据对应掉线客户端的公开参数计算每个掉线客户端的秘密共享参9[0027]1)每个客户端随机选取常数φ>0，根据已知秘密共享的门限值t构造秘密共享辅助函数(x-φ)t＝xt+δ1xt-1+δ2xt-2+...[0030]4)服务器在确定收到至少t个客户端的信息后将每个客户端上传的参数进行广[0032]1)每个客户端根据收到的其他客户端的参数μ、gv，在有限域Zμ中随机选取整数[0033]2)服务器在确定收到至少t个客户端的信息后将每个客户端上传的公钥qu,v进行s'T'为随机数掩码的公共参数。[0049]2)服务器在确定收到至少t个客户端的信息后将上传消息的客户端身份记录在列表U0u的公钥Ru完成密钥交换生成掩码zu,v，各个客户端利用掩码zu,v和随机数掩码bu加密模型更器收到模型更新参数和验证参数后，使用gs和客户端对应的Pu及上传的验证参数对客户端[0062]5)计算客户端的认证参数f=(0+s[0064]1)服务器在确定收到至少t个客户端的信息后对客户端进行认证，若客户端数量[0065]2)服务器计算e＝H(G)，并根据每个客户端上传的参数分别计算fgs+(n-[0069]2)服务器将在列表U0但不在列表U1的客户端身份视为掉线客户端，表示为U0/U1，[0075]2)使用对应掉线客户端的公开参数计算和算Eueu,⃞u=zueo,p-zueo,bu+zueu,veo,mn,zou完成聚合；[0089]3)服务器生成一对新的{g,ι}参数并广播并将聚合得到的模型参数作为更新的全局模型参数发送给每个客户端，客户端用全局模型参数更新自己的本地模型，[0090]本发明的另一目的在于提供一种应用所述的联邦学习隐私保护方法的联邦学习[0095]本发明的另一目的在于提供一种计算机设备，计算机设[0100]本发明提供的基于全动态秘密共享和椭圆曲线密码算法的联邦学习隐私保护方[0101]针对现有联邦学习中存在的密钥分发时间开销过大及服务器可能接收陌生客户[0103]本发明提供的基于全动态秘密共享和椭圆曲线密码算法的联邦学习隐私保护方[0105](1)现有联邦学习对生成掩码密钥时使用的秘密共享方案中，需要花费大量的通以拒绝陌生客户端上传的可能包含伪造或恶意的数据，保护联邦学习准确度不会受到影[0110](2)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难发明解决了一直以来存在的通信时间开销过大的问题，能够实现安全且高效的联邦学习，[0118]图6是本发明实施例提供的现有的联邦学习方案(Secagg,Secureaggregation)和本发明的方案(EfficiencySecagg,EfficiencySecureaggregation)在不同训练轮数[0119]图7是本发明实施例提供的现有的联邦学习方案(Secagg,Secureaggregation)和本发明的方案(EfficiencySecagg,EfficiencySecureaggregation)在有百分之三十[0128]本发明的隐私保护方法针对的是参与方与聚合服务器交互的典型场景：客户_服收到模型更新参数和验证参数后，使用gs和客户端对应的Pu及上传的验证参数对客户端身[0145](2)服务器在确定收到至少t个客户端的信息后将每个客户端上传的公钥Qu,v进行[0146](3)服务器选取一个椭圆曲线E及椭圆曲线E上的一点g作为生成元，g的阶为ι,广播{g,ι}。[0156](2)服务器在确定收到至少t个客户端的信息后将上传消息的客户端身份记录在列表U0uuv[0158]客户端使用掩码私钥计算出掩码，并将掩码和随机数掩码加入到本地模型参数[0162](1)客户端计算其中u>v和u<v表[0164](1)客户端用随机数和认证私钥计算生成本客户端的认证参数，并将参数打包发[0168](3)继续计算ψ=x2modλ,并对客户端进行验证2y,如果验证成功，将客户端的[0173]在线客户端根据对应掉线客户端的公开参数计算每个掉线客户端的秘密共享参[0175](1)在线客户端收到服务器广播的掉线客户端列表后，使用对应客户端的公开参上传给服务器。[0179](1)服务器使用掉线客户端的掩码私钥s′u和其他客户端的公钥Rv计算出[0180](2)服务器将掉线客户端的掩码和在线客户端的随机数掩码加入到聚合参数中，[0181](3)服务器将聚合得到的模型参数作为助函数(x_φ)t＝xt+δ1xt_1+δ2xt_2+...[0186](4)服务器在确定收到至少t个客户端的信息后将每个客户端上传的参数进行广[0187]步骤2.2构造齐次线性递归数列并计算掩t≤v≤n_1。mn_1和T′[0199](4)计算e＝H(G)，其中G为初始的全局模型参数或上一轮服务器更新的全局模型[0205](3)继续计算ψ=x2modλ,并[0206]步骤4.1客户端计算秘密共享参数和步骤4.2服务器恢复掉线客户端掩码和在线[0213](2)服务器收集在线客户端上传的参数，并使用构造出函数[0226]在智慧医疗系统中，客户端可以部署物联网设备或是可邦学习时无需通过服务器进行大量的单独通信，以此减少通信时间的开销和资源的占用，[0231]如图2所示，展示了联邦学习的框架，本方案采用的联邦学习框架与现有技术一优化后的模型参数发送给所有客户端。本发明对现有的联邦学习框架进行了优化和更新，[0232]如图6所示，展示了本发明提出的方案和现有的联邦学习方案联邦学习训练时间的对比，显然现有的联邦学习方案(Secagg,Secureaggregation)较之于本发明的方案[0233]如图7所示，展示了在有客户端掉线的情况下，现有的联邦学习方案(Secagg,Secureaggregat