[发明专利]一种基于联邦学习的网络辨别方法、装置、终端及介质

权利要求书

1.一种基于联邦学习的网络辨别方法，其特征在于，包括：

根据预设的划分标签，将公共数据划分为若干个类别，得到多类别公共数据；

利用多类别公共数据，分别测试若干个第一网络参数，得到若干个所述第一网络参数对应的多类别精度集合和若干个第一网络参数对应的输出数据；其中，所述第一网络参数是参与者利用本地数据对联邦学习模型进行训练而获得的，所述多类别精度集合包含每个类别的所述公共数据对应的精度；

统计每一个所述多类别精度集合中大于预设的第一精度阈值的精度数量，并计算得到所有所述精度数量中的众数M；其中，一个所述多类别精度集合对应一个所述精度数量；

分别将各所述多类别精度集合中的精度按从大到小的顺序排列，按照排列结果获取前M个精度，计算得到每个多类别精度集合中前M个精度的平均值，并根据各所述多类别精度集合对应的平均值以及若干个第一网络参数对应的输出数据，辨别各所述第一网络参数的可靠性。

2.如权利要求1所述的一种基于联邦学习的网络辨别方法，其特征在于，所述根据各所述多类别精度集合对应的平均值，辨别各所述第一网络参数的可靠性，具体为：

若当前所述多类别精度集合对应的平均值大于预设的第二精度阈值，则确定当前所述多类别精度集合所对应的第一网络参数为可靠参数；

若当前所述多类别精度集合对应的平均值小于等于预设的第二精度阈值，则确定当前所述多类别精度集合所对应的第一网络参数为不可靠参数。

3.如权利要求1所述的一种基于联邦学习的网络辨别方法，其特征在于，在所述根据各所述多类别精度集合对应的平均值，辨别各所述第一网络参数的可靠性之后，还包括：

对所有可靠参数进行聚合，得到对应的第二网络参数；

根据所述第二网络参数，迭代优化所述联邦学习模型，直到优化次数达到预设次数。

4.一种基于联邦学习的网络辨别装置，其特征在于，包括：

预处理模块，用于在利用多类别公共数据，分别测试若干个第一网络参数之前，根据预设的划分标签，将公共数据划分为若干个类别，得到多类别公共数据；

网络参数测试模块，用于利用多类别公共数据，分别测试若干个第一网络参数，得到若干个所述第一网络参数对应的多类别精度集合和若干个第一网络参数对应的输出数据；其中，所述第一网络参数是参与者利用本地数据对联邦学习模型进行训练而获得的，所述多类别精度集合包含每个类别的所述公共数据对应的精度；

数据统计模块，用于统计每一个所述多类别精度集合中大于预设的第一精度阈值的精度数量，并计算得到所有所述精度数量中的众数M；其中，一个所述多类别精度集合对应一个所述精度数量；

网络辨别模块，用于分别将各所述多类别精度集合中的精度按从大到小的顺序排列，按照排列结果获取前M个精度，计算得到每个多类别精度集合中前M个精度的平均值，并根据各所述多类别精度集合对应的平均值以及若干个第一网络参数对应的输出数据，辨别各所述第一网络参数的可靠性。

5.如权利要求4所述的一种基于联邦学习的网络辨别装置，其特征在于，所述网络辨别模块，还包括：数据获取单元和网络辨别单元；

所述数据获取单元，用于分别将各所述多类别精度集合中的精度按从大到小的顺序排列，按照排列结果获取前M个精度，计算得到每个多类别精度集合中前M个精度的平均值；

所述网络辨别单元，用于根据各所述多类别精度集合对应的平均值，辨别各所述第一网络参数的可靠性；若当前所述多类别精度集合对应的平均值大于预设的第二精度阈值，则确定当前所述多类别精度集合所对应的第一网络参数为可靠参数；若当前所述多类别精度集合对应的平均值小于等于预设的第二精度阈值，则确定当前所述多类别精度集合所对应的第一网络参数为不可靠参数。

6.如权利要求4所述的一种基于联邦学习的网络辨别装置，其特征在于，还包括：

模型优化模块，用于在所述根据各所述多类别精度集合对应的平均值，辨别各所述第一网络参数的可靠性之后，对所有可靠参数进行聚合，得到对应的第二网络参数，并根据所述第二网络参数，迭代优化所述联邦学习模型，直到优化次数达到预设次数。