-
公开(公告)号：CN118332584B
公开(公告)日：2024-08-27
申请号：CN202410748751.5
申请日：2024-06-12
摘要： 本发明属于机器学习的技术领域，具体涉及面向分布式机器学习的数据安全治理方法、装置、电子设备和存储介质。该方法包括：节点获取其相邻节点在当前迭代中的局部参数，利用即时可靠分数函数计算相邻节点的即时可靠分数，以为相邻节点构建可靠性模型，设定可靠性模型更新规则，在每次迭代中基于该规则对可靠性模型的可靠指数或不可靠指数进行更新；将更新后的可靠性模型代入Beta分布，获取相邻节点的可靠程度并以此构建可靠节点集合；基于可靠节点集合中所有可靠相邻节点的参数计算当前迭代中节点的聚合结果，结合梯度下降更新节点的参数，将更新后的参数发送至其每个相邻节点。本发明可消除拜占庭攻击的影响，确保学习模型的准确性。
-
公开(公告)号：CN118445817A
公开(公告)日：2024-08-06
申请号：CN202410903625.2
申请日：2024-07-08
摘要： 本发明属于信息安全的技术领域，更具体地，涉及一种基于历史全局模型的增强联邦学习模型防御的方法、装置及可读计算机存储介质。所述方法包括服务器端向客户端发送全局模型，攻击者客户端截获每一轮的全局模型，放入历史全局模型储存池中；服务器随机选择部分客户端使用本端的本地数据集进行训练得到客户端局部模型，攻击者客户端在历史全局模型储存池中选择一个历史全局模型作为攻击目标模型；客户端将训练的本地局部模型上传至服务器，服务器进行聚合，再发送给各客户端；引入动态加权聚合机制，得到最优全局模型的参数。本发明解决了当前的防御方法在非独立同分布环境下的有效性与攻击成功率都较低，现有防御机制的有效性较低的问题。
-
公开(公告)号：CN118378255A
公开(公告)日：2024-07-23
申请号：CN202410825770.3
申请日：2024-06-25
摘要： 本发明属于数据安全技术领域，更具体地，涉及一种差分隐私保护约束下抗投毒攻击的联邦学习方法、装置及计算机可读存储介质。包括在客户端定义差分隐私；客户端获取服务端全局模型后使用自身的训练数据集更新本地模型，计算差分隐私噪声并添加到各个客户端的本地模型中；将添加了差分隐私噪声的本地模型发送至服务端，选出恶意客户端；服务端为各个客户端分配权重，然后将各个客户端的本地模型进行聚合得到训练好的全局模型并发送至各个客户端；各个客户端获取训练好的全局模型，完成一次迭代，达到设置训练轮次之后，输出最终全局模型并结束训练。本发明解决了现有技术中投毒攻击防御方案尚无法在差分隐私保护下有效检测出恶意客户端。
-
公开(公告)号：CN118332584A
公开(公告)日：2024-07-12
申请号：CN202410748751.5
申请日：2024-06-12
摘要： 本发明属于机器学习的技术领域，具体涉及面向分布式机器学习的数据安全治理方法、装置、电子设备和存储介质。该方法包括：节点获取其相邻节点在当前迭代中的局部参数，利用即时可靠分数函数计算相邻节点的即时可靠分数，以为相邻节点构建可靠性模型，设定可靠性模型更新规则，在每次迭代中基于该规则对可靠性模型的可靠指数或不可靠指数进行更新；将更新后的可靠性模型代入Beta分布，获取相邻节点的可靠程度并以此构建可靠节点集合；基于可靠节点集合中所有可靠相邻节点的参数计算当前迭代中节点的聚合结果，结合梯度下降更新节点的参数，将更新后的参数发送至其每个相邻节点。本发明可消除拜占庭攻击的影响，确保学习模型的准确性。
-
公开(公告)号：CN117454381B
公开(公告)日：2024-06-04
申请号：CN202311800375.1
申请日：2023-12-26
IPC分类号： G06F21/56 , G06F18/214 , G06F21/55
摘要： 本发明属于信息安全的技术领域，更具体地，涉及一种非独立同分布数据下面向联邦学习的渐进性攻击方法。所述方法服务器端随机初始化一个全局模型作为第一轮全局模型，下发到各个客户端，攻击者选用该全局模型作为攻击模型；所述客户端收到全局模型后在本地执行训练形成局部模型，并将局部模型上传到服务器端；所述服务器端将局部模型更新聚合，形成新一轮全局模型，继续下发至客户端；在每轮训练中，客户端使用接收到的全局模型更新其局部模型并在本地数据集上进行训练；结束训练。本发明解决了现有技术中攻击者为隐藏其攻击操作导致控制模型性能逐渐下降并导致数据非独立同分布联邦学习中的攻击检测变得更加困难的问题。
-
公开(公告)号：CN117633527A
公开(公告)日：2024-03-01
申请号：CN202311549421.5
申请日：2023-11-17
IPC分类号： G06F18/214 , G06N3/126
摘要： 本发明提出了一种面向异构环境的大模型混合并行训练方法及系统，基于异构环境中不同数据中心的算力情况，以及不同数据中心之间的网络延迟情况，以待训练模型的每个训练阶段中数据中心的算力均衡性和每个训练阶段中数据中心所包含节点的计算任务传输的对等性为目标，利用遗传算法进行迭代优化，得到每个训练阶段所对应的数据中心，以及每个训练阶段内不同节点的计算任务，对待训练模型进行训练，从而将资源平衡和跨域带来的计算成本降低，提升大模型训练效率。
-
公开(公告)号：CN118378255B
公开(公告)日：2024-09-10
申请号：CN202410825770.3
申请日：2024-06-25
摘要： 本发明属于数据安全技术领域，更具体地，涉及一种差分隐私保护约束下抗投毒攻击的联邦学习方法、装置及计算机可读存储介质。包括在客户端定义差分隐私；客户端获取服务端全局模型后使用自身的训练数据集更新本地模型，计算差分隐私噪声并添加到各个客户端的本地模型中；将添加了差分隐私噪声的本地模型发送至服务端，选出恶意客户端；服务端为各个客户端分配权重，然后将各个客户端的本地模型进行聚合得到训练好的全局模型并发送至各个客户端；各个客户端获取训练好的全局模型，完成一次迭代，达到设置训练轮次之后，输出最终全局模型并结束训练。本发明解决了现有技术中投毒攻击防御方案尚无法在差分隐私保护下有效检测出恶意客户端。
-
公开(公告)号：CN117939563B
公开(公告)日：2024-09-03
申请号：CN202410145361.9
申请日：2024-01-31
申请人： 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院) , 江苏海洋大学
摘要： 本发明属于物联网数据采集的技术领域，更具体地，涉及一种工业环境下面向通信受限物联网节点的数据汇集方法及装置。所述方法包括：S1、给定节点数据集和预设参数，预设参数包括节点覆盖半径R、节点覆盖率C以及初始簇头个数K；S2、基于给定的节点数据集和预设参数，使用K‑medoids聚类算法将节点数据集中的所有传感器节点划分为K个簇；S3、计算K个簇的总节点覆盖率C′，若总节点覆盖率C′大于给定的节点覆盖率C，则执行步骤S4，若总节点覆盖率C′小于或等于给定的节点覆盖率C，则将给定的初始簇头个数K加一，重复执行步骤S2；S4、判断待发送数据的成员节点与其对应的目标簇头节点之间是否存在中间成员节点，若存在：筛选待发送数据的成员节点与其对应的目标簇头节点之间的最优通信链路，并控制待发送数据的成员节点通过最优通信链路将其数据传输至对应的目标簇头节点。本发明解决了现有方法无法确保在数据传输过程中节点之间建立有效的通信链路的问题。
-
公开(公告)号：CN118200217A
公开(公告)日：2024-06-14
申请号：CN202410422956.4
申请日：2024-04-09
IPC分类号： H04L45/00 , H04L45/02 , H04L45/03 , H04L45/036
摘要： 本公开提供了基于动态异构联邦学习的协同通信方法及系统，涉及联邦学习数据通信技术领域，包括：中央服务器随机初始化全局模型参数，服务器广播全局模型参数副本至参与方客户端参与方客户端利用本地数据集和初始模型计算本地设备的模型梯度，依次进行局部更新，中央服务器接收到来自参与方客户端的更新就绪信号后，生成多组自适应设备簇，每个簇内的参与方客户端上传本地设备的模型梯度，中央服务器收到所有本地设备的模型梯度执行模型聚合更新簇内的全局模型，使用特定通信拓扑将簇内的全局模型发送给其他簇，来更新本地的模型，达到组间的模型同步和知识共享。
-
公开(公告)号：CN117932125B
公开(公告)日：2024-06-14
申请号：CN202410331043.1
申请日：2024-03-22
IPC分类号： G06F16/903 , G06F21/62 , G06F21/60 , G06F16/901
摘要： 本发明属于数据安全的技术领域，更具体地，涉及一种支持隐私保护的可验证空间关键字查询方法及装置。该方法包括：数据拥有者端加密其空间数据集，构建密文索引，并将空间数据集和密文索引上传云服务器端；查询用户端根据数据拥有者端提供的密钥信息和辅助参数生成搜索令牌并提交云服务器端；云服务器端根据搜索令牌检索密文索引，并向查询用户端返回相应的空间对象密文信息和验证信息；查询用户端基于密钥信息、辅助验证信息、空间对象密文信息和验证信息，先进行本地验证，再对验证通过的空间对象密文信息进行解密。本发明用于在用户给定的空间范围内返回其所期望的空间数据对象，在保证安全性的同时实现高效搜索，并支持对结果的验证。
-
-
-
-
-
-
-
-
-
搜索结果
53 条记录 (耗时 0.063 秒)
