[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

说明书

本发明公开了一种基于联邦学习的网络辨别方法、装置、终端及介质，包括：利用多类别公共数据，分别测试若干个第一网络参数，得到若干个对应的多类别精度集合；统计每一个多类别精度集合中大于预设的第一精度阈值的精度数量，并计算得到所有精度数量中的众数M；分别将各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，并根据各多类别精度集合对应的平均值，辨别各第一网络参数的可靠性。本发明对各参与者的网络参数分别进行测试，得到对应的多类别精度集合，加以计算分析以辨别网络参数的可靠性，进而确定对应的参与者为正常参与者还是恶意攻击者。

技术领域

本发明涉及网络安全技术领域，尤其涉及一种基于联邦学习的网络辨别方法、装置、终端及介质。

背景技术

联邦学习旨在保护数据安全与隐私并充分利用数据，是在数据不出本地的情况下，进行数据联合训练，建立共享的机器学习模型。但由于联邦学习参与方众多以及对参与者传递信息的无控制，不可避免地会出现恶意攻击者，可能会使得聚合的模型不收敛或者得到错误的模型。现有技术对于联邦学习中的网络安全攻击的防御方法主要集中在根据参与者的网络参数和梯度进行辨别，对参数和梯度进行数学运算选择距离较近的进行聚合，通过辨别网络参数的可靠性，确定网络参数对应的参与者属于正常参与者还是恶意攻击者。然而，现有技术只能被动地选择聚合网络参数或梯度时的各网络的权重，而无法判断该网络参数是属于正常参与者，还是恶意攻击者。此外，对于Non－IID(非独立同分布)数据分布情况下，由于各参与者的数据分布差异较大，学习得到的参数和梯度本身差距就较大，更加无法通过该信息去辨别正常参与者与恶意攻击者的差距。

发明内容

本发明提供了一种基于联邦学习的网络辨别方法、装置、终端及介质，以解决现有技术对于联邦学习中的网络安全防御，只能被动选择聚合网络参数或梯度时的各网络的权重，而无法判断该参数的网络的可靠性，进而判定对应参数的参与者是属于正常参与者还是恶意攻击者的技术问题。

为了解决上述技术问题，本发明实施例提供了一种基于联邦学习的网络辨别方法，包括：

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；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，辨别各所述第一网络参数的可靠性。

进一步地，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。

进一步地，在所述利用多类别公共数据，分别测试若干个第一网络参数之前，还包括：

根据预设的划分标签，将公共数据划分为若干个类别，得到所述多类别公共数据。

进一步地，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。