CN119520170A 一种抗投毒的联邦学习方法 （西安交通大学）

采用三服务器模型构建了一个客户端友好的框2通过非交互密钥生成随机共享密钥；每个所述共享随机数由两个所述服务器共同持有，所述共享随机数客户端通过服务器提供的共享随机数对本地将每个所述客户端的所述掩码梯度作为输入发送到所述服务器进行交换和一致性验所述OT和平方相关性数据通过LocalOT算法分发给第二服务器和第二服务器和第三服务器通过所述相关性数所述第一服务器、第二服务器和第三服务器通过所述相关性数据验第二服务器和第三服务器对所有合法梯度进行聚每个所述服务器对所有通过所述过滤的所述合法检测所述聚合的结果保证所有所述服务器的所述3设备来说构成了巨大的计算负担。通过非交互密钥生成随机共享密钥；4客户端通过服务器提供的共享随机数对本地将每个所述客户端的所述掩码梯度作为输入发送到所述服务器进行交换和一致所述OT和平方相关性数据通过LocalOT算法分发给第二服务器和每个所述服务器对所有通过所述过滤的所述合法检测所述聚合的结果保证所有所述服务器的所述5[0019]图1为本发明实施例提供的一种抗投毒的联邦学习方法的运行示意图；本发明实通过非交互密钥生成随机共享密钥；所述通过所述共享随机数保证共享输入数据的一致性所述通过所述共享随机数保证共享输入数据的客户端通过服务器提供的共享随机数对本地将每个所述客户端的所述掩码梯度作为输入发送到所述服务器进行交换和一致所述第一服务器生成相关性数据发送到第二服务器和第三所述OT和平方相关性数据通过LocalOT算法分发给第二服务器和6每个所述服务器对所有通过所述过滤的所述合法检测所述聚合的结果保证所有所述服务器的所述[0024]相关性随机生成：在该阶段，第一服务器负责生成所需的相关性数据，包括OT作验证相关性数据的一致性，以确保数据的随机性和正确性，从而为L2范数防御机制奠定基础。局模型的更新并将其提供给客户端，支持下一轮的训练；如果检测到不一致，则启动71.playerElim(s,s,m,m,)：指服务器指责其收到来自s,的消息m,与来自s,的消出s,和s,。playerElim(s,s,m,m,)，然而，指责消息中的playerElim(s,s,m,m,)和playerElim(s,_m;:)是指服务器在收到不同服务器消息时，其息m,指代的是分别从服务器s,和s,收到的消息。[0030]在一种可能的实施例中，本实施例的方案过τ个客户端和一个安全参数来实例S:和S,之间的转录，而S:和S,共同验证相关性和梯度的id,表示客户端ID，i表示服务器对。每个服务器可以生成一组随机数共享8[0033]相关性随机生成：在该阶段，服务器负责生成所需的相关性数据，包括OT的输入为一个比特串xez:和一个偏移量Ae 客户端id,的梯度x"的每一位，服务器s首先从有限域中生成两个随机偏移量和s通过调用LocalOT算法生成OT相关性：s将元组发送至服务器s,。si所生成的相关性是否正确，算法设计的核心思想是通过公开一部分相关性来验证哈希值并发送给其他服务器。服务器S:和S:会通过检查这些哈希值的一致性来验证是9,=l,+xd意的，其他服务器仍然可以继续计算并保证正确性。假设服务器持有布尔份额和9间变量ut-"，此值用于进一步处理。s会或操作x