CN119520168A 一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法 （福建师范大学）

一种用于恶意客户端识别和投毒攻击恢复本发明公开了一种用于恶意客户端识别和2S1、将联邦学习中的全局模型更新数据进行预处S2、在检测到恶意客户端后，通过选择性存储的2.根据权利要求1所述的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法，其中，j(w,c)是客户端c在轮次t的预期模型更新；g(wt-1,c)是客户端c在轮次t_1的S1_4、服务器使用预测的更新来填补异构模型中其中，j(w,c)为预测的客户端c在迭代其中，of"表示客户端c在轮次t的可疑分数；是客户端c在轮次t的曼哈顿距离；33.根据权利要求2所述的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法，S1_6_1，计算填补后的模型更新和预测的模型4.根据权利要求1所述的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法，D-DUD(MP,i,Mpir1)（9其中，表示被选择模型的集合；表示被选择的客户端标签集合，函数用于从差异集合D中选择差异值最大的模型更新轮次，和是选择比例5.根据权利要求4所述的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法，4其中，D(Mi,Mnir1)表示在轮次b中第i个和第i+1个全局模型之间的差异度量，p(Mpi)和分别表示全局模型和的概率分布。6.根据权利要求4所述的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法，7.根据权利要求1所述的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法，T-TUT(gf,G)（11步骤S3_6、模型更新：基于聚合更新和从前一轮恢复中58.根据权利要求7所述的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法，6[0004]但现有的方法大多不适应于模型异构的场景，并且没有与匹配的检测算法相结客户端检测和模型恢复的一体化防御算法成为亟待[0005]本发明的目的在于提供一种用于恶意客户端识别和投毒攻击恢复的联邦学习方7[0016]其中，g(w,c)是客户端c在轮次t的预期模型更新；g(wt-1,c)是客户端c在轮次t_[0034]其中，是客户端c在轮次t的曼哈顿距离，g(wr,c)是填补后的模型更新，8[0043]D-DUD(Mb,i,Mb,i+1)（9[0051]其中，D(Mn,Mnir1)表示在轮次b中第i个和第i+1个全局模型之间的差异度量，p(MO,)和p(Morn)分别表示全局模型和Mb,i+1的概率分布。9Ity被校准。[0076]图1为本发明实施例的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法[0077]图2为本发明实施例的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法[0078]图3为本发明实施例的一种用于恶意客户端识别和投毒攻击恢复的联邦学习方法[0090]其中，g(w,c)是客户端c在轮次t的预期模型更新，g(wt-1,c)是客户端c在轮次t_[0100]其中，是客户端c在轮次t的曼哈顿距离，g(wr,c)是填补后的模型更新，[0111]即在本实施例中，使用基于柯西平均值定理的预测来填补异构模型中缺失的通[0117]D-DUD(Mb,i,Mb,i+1)（9[0121]其中，D(Mn,Mnir1)表示在轮次b中第i个和第i+1个全局模型之间的差异度量，p(MO,)和p(Morn)分别表示全局模型和Mb,i+1的概率分布。Ity被校准。