[发明专利]基于纵向联邦学习的社交网络跨平台恶意用户检测方法

权利要求书

1.基于纵向联邦学习的社交网络跨平台恶意用户检测方法，其特征在于：包括以下步骤：

步骤1、构建基于纵向联邦学习的社交网络跨平台恶意用户检测层次化架构，该架构包括数据预处理层、加密样本对齐层、联邦学习层、数据应用层；

步骤2、首先选取若干个参与方，将参与方分为主动方和被动方，提供用户的样本数据和标签值的为主动方，只提供用户的样本数据的为被动方，对主动方和被动方样本数据在数据预处理层进行预处理操作，得到结构化数据；

步骤3、经数据预处理层处理后的结构化数据，在样本对齐层通过使用RSA非对称加密算法和哈希机制的安全求交集方案，来映射主动方和被动方共有的样本数据；

步骤4、在经过步骤3阶段处理后，主动方和被动方已经确定双方共有样本数据，主动方和被动方利用自身的本地模型，在机器学习的定义下协同训练一个全局模型，利用了同态加密对主动方和被动方数据进行加解密，完成联邦学习层训练；

利用同态加密对主动方和被动方数据进行加解密的具体实现过程为：

步骤4.1、主动方计算敏感数据的一阶梯度值和二阶梯度值，并采用加法同态加密对一阶梯度值和二阶梯度值加密，然后将加密后的梯度值发送给被动方；

步骤4.2、被动方对自身的所有特征进行分桶，将每个特征值映射到每个桶中，并根据分桶后的特征值，聚合相应的加密后的梯度值信息，然后将聚合的加密梯度信息发送给主动方；

步骤4.3、主动方对接收的聚合的加密梯度信息进行解密，获取当前节点的最优划分Divide_max，返回当前的节点特征ID和阈值ID给被动方；

步骤4.4、被动方接收特征ID和阈值ID对当前节点的总样本空间I进行划分，I_R+I_L＝I，I_L、I_R分别为左侧、右侧的样本空间，记录当前节点的记录ID、特征ID以及阈值ID，并将记录ID和划分后左侧样本空间I_L发送给主动方；

步骤4.5、主动方根据记录ID和左侧样本空间I_L对当前节点进行划分，并进入下一节点的划分；

步骤4.6、迭代(4.2)～(4.5)过程，完成当前所有的决策树的构建后，并计算决策树中每个叶子节点的最优权值训练完成；

步骤4.7、主动方发送当前节点的记录ID和特征的阈值给被动方；

步骤4.8、被动方比较当前节点的阈值结果，得出搜索决定，并将搜索决定发送给主动方；

步骤4.9、主动方接收到搜索决定，开始前往相应子节点，直至到达一个叶子节点得到分类标签以及该标签的最优权值；

步骤4.10、迭代(4.7)～(4.9)过程，然后将遍历所有的决策树得到的分类标签相对应的最优权值进行加权求和，最终得出正常用户和恶意用户的标签集合；

步骤5、经联邦学习层训练后，主动方和被动方更新自身的本地模型训练参数，并将预测结果输出至数据应用层；

步骤6、在数据应用层封装了数据调用接口，将联邦学习层得到的预测结果回传到各参与方，各参与方对本地数据进行更新和分类，并得出恶意用户检测结果。

2.如权利要求1所述的基于纵向联邦学习的社交网络跨平台恶意用户检测方法，其特征在于：预处理操作为通过数据清洗、随机采样、数据分箱、数据归一化操作，将各参与方数据转换为结构化数据。