[发明专利]一种基于高斯差分隐私和分布式深度学习的隐私保护方法

说明书

本发明提供一种基于高斯差分隐私和分布式深度学习的隐私保护方法，该方法包括：中心服务器采用分布式深度学习方法根据本地客户端自身参数筛选本地客户端；筛选出的本地客户端从中心服务器下载全局参数；筛选出的本地客户端采用高斯差分隐私方法根据全局参数更新自身参数，将更新后的自身参数上传至中心服务器；中心服务器根据更新后的自身参数更新全局参数；当全局参数满足预设条件后输出最优全局参数。本发明在本地客户端使用了高斯差分隐私技术，使得本地客户端安全性提高以及保证了全局参数聚合的准确性，增加了全局模型的准确率。

技术领域

本发明涉及信息安全技术领域，具体涉及一种基于高斯差分隐私和分布式深度学习的隐私保护方法。

背景技术

物联网正迅速为人类的日常生活带来新的需求和场景。例如，可穿戴技术、智能电器、自动驾驶和智能机器人等应用程序的发展，导致了数十亿个新设备的连接，这加快了物联网系统的互联速度。由于基于物联网平台的物联网开发，越来越多的设备被连接到互联网上。目前一个重要的研究领域是如何使用和利用这些巨大的数据集。在物联网系统中实现自动化和智能的关键，就像在一个正常的网络物理系统中一样，是通过由大计算支持的大数据分析和由深度学习等学习技术提供的大建模。深度学习作为一种实用的大数据驱动的分析方法，在图像、视频识别、机器人技术和自然语言分析等多个领域都具有相当大的前景。尽管如此，由于深度学习需要较高的计算能力来分析数据集，因此它通常部署在具有较高计算能力的云服务器上，并且依赖大量的数据集。然而，由于服务器和客户端之间大量数据交换会导致在云中部署深度学习来支持物联网系统可能会导致网络拥塞，并且由于分布式深度学习会被敌手通过精心构造的成员推断攻击、模型逆向攻击等隐私攻击获得用户的性别、住址、常用软件、地址等数据敏感信息。

用户数据的安全和隐私问题收到了人们的高度关注，为了保护用户数据的安全性和隐私性。各种隐私保护技术开始出现在分布式深度学习之中，如安全多方计算和同态加密，但是由于其需要加密解密以及频繁的通信，显然这一效率极低。为了解决这个问题，差分隐私深度学习开始蓬勃发展。

现有的差分隐私深度学习技术由于需要添加大量噪声以及分布式频繁的参数上传。因此全局模型准确率不高的同时也会带来巨大的通信成本。为了节省通信资源和降低隐私暴露的同时增加模型的准确率，差分隐私深度学习应该避免过量的噪声添加的同时减少参数的上传。

发明内容

本发明的目的是提供一种基于高斯差分隐私和分布式深度学习的隐私保护方法，该方法在本地客户端使用了高斯差分隐私技术，使得本地客户端安全性提高以及保证了全局参数聚合的准确性，增加了全局模型的准确率。

一种基于高斯差分隐私和分布式深度学习的隐私保护方法，包括：

中心服务器采用分布式深度学习方法根据本地客户端自身参数筛选本地客户端；

筛选出的本地客户端从中心服务器下载全局参数；

筛选出的本地客户端采用高斯差分隐私方法根据全局参数更新自身参数，将更新后的自身参数上传至中心服务器；

中心服务器根据更新后的自身参数更新全局参数；

当全局参数满足预设条件后输出最优全局参数。

优选地，中心服务器采用分布式深度学习方法根据本地客户端自身参数筛选本地客户端包括：

在中心服务器中设定两个价值函数Q₁和Q₂，

Q₁(s,a)＝Q₁(s,a)+a[r+γQ₂(s',argmax_a'Q₁(s',a'))-Q₁(s,a)