基于联邦学习的联盟链分布式拒绝服务攻击实时检测方法及系统

    公开(公告)号:CN118353677A

    公开(公告)日:2024-07-16

    申请号:CN202410493622.6

    申请日:2024-04-23

    IPC分类号: H04L9/40

    摘要: 本发明提供一种基于联邦学习的联盟链分布式拒绝服务攻击实时检测方法及系统,联盟链包括参与联邦学习的包含多个训练层节点和多个监控层节点的多个节点,每个节点被交替用作训练层节点和监控层节点,方法包括:在节点被用作训练层节点时,将DDoS攻击网络流量数据形成数据集,根据数据集对本地攻击检测局部模型进行训练,获得更新的局部模型参数和检测准确率并发送给云端聚合器,使云端聚合器根据多个更新的检测准确率确定对应的多个权重系数并对多个更新的局部模型参数聚合来获得更新全局模型参数并发送给联盟链;在节点被用作监控层节点时,从联盟链获取更新全局模型参数并更新本地模型来实时监控DDoS攻击,实时采集DDoS攻击网络流量数据以更新数据集。

    一种基于多任务聚类联邦个性学习的模型训练方法及装置

    公开(公告)号:CN117313901B

    公开(公告)日:2024-04-02

    申请号:CN202311597925.4

    申请日:2023-11-28

    IPC分类号: G06N20/00

    摘要: 本发明提供一种基于多任务聚类联邦个性学习的模型训练方法及装置,中央服务器向各客户端下发上一轮训练得到的各客户端所属簇的簇模型参数和其他簇的专家层模型参数,并接收各客户端采用本地数据训练得到的本地模型参数和自适应权重;根据各客户端的本地模型参数对各客户端进行聚类分簇;将同一簇中各客户端的本地模型参数进行联邦平均聚合,形成本轮训练得到的簇模型;各客户端基于自适应权重聚合各簇模型的专家层模型参数,并连接个性化层模型参数,得到预测模型;将本地数据输入预测模型,得到预测结果;构建预测结果和真实标签的损失,以最小化损失为目标,重复训练步骤。本发明提供的训练方法能够解决数据异质性带来的偏差和难以收敛的问题。

    一种基于多任务聚类联邦个性学习的模型训练方法及装置

    公开(公告)号:CN117313901A

    公开(公告)日:2023-12-29

    申请号:CN202311597925.4

    申请日:2023-11-28

    IPC分类号: G06N20/00

    摘要: 本发明提供一种基于多任务聚类联邦个性学习的模型训练方法及装置,中央服务器向各客户端下发上一轮训练得到的各客户端所属簇的簇模型参数和其他簇的专家层模型参数,并接收各客户端采用本地数据训练得到的本地模型参数和自适应权重;根据各客户端的本地模型参数对各客户端进行聚类分簇;将同一簇中各客户端的本地模型参数进行联邦平均聚合,形成本轮训练得到的簇模型;各客户端基于自适应权重聚合各簇模型的专家层模型参数,并连接个性化层模型参数,得到预测模型;将本地数据输入预测模型,得到预测结果;构建预测结果和真实标签的损失,以最小化损失为目标,重复训练步骤。本发明提供的训练方法能够解决数据异质性带来的偏差和难以收敛的问题。