CN115174033B - 移动群智感知中抗感知平台和用户共谋攻击的方法及系统 - Google Patents

Abstract

本发明公开了一种移动群智感知中抗感知平台和用户共谋攻击的方法及系统，参与者包括一组请求者、一个感知平台CSP和一群客户端设备；假设有K个客户端设备，用P_i表示第i个客户端设备。请求者会控制自己的设备去和CSP交互训练以得到一个良好的机器学习模型。感知平台CSP生成系统参数并且选择合适的客户端设备来进行联邦学习，还要负责将训练完成后的联邦学习全局模型安全地发放给请求者。客户端设备P_i负责将自己的局部模型参数安全地上传给感知平台CSP以进行模型训练。本发明不仅能保护移动群智感知中客户端的原始数据隐私免受外部敌手攻击，同时还能够抵抗客户端和服务器一同发起共谋攻击，使得他们无法得到其他客户端的隐私数据。

Description

移动群智感知中抗感知平台和用户共谋攻击的方法及系统

技术领域

本发明属于移动群智感知(Mobile Crowdsensing，MCS)技术领域和联邦学习(Federated Learning，FL)技术领域，涉及一种在联邦学习中保护用户和所选工人数据隐私的方法及系统；特别涉及一种针对移动群智感知中抗感知平台和用户之间共谋攻击的方法及系统。

背景技术

近年来，移动群智感知(MCS)作为一种有吸引力的数据收集和传感范式得到了广泛的研究和应用。这允许人们使用他们的智能设备向众测平台报告数据，以便众测平台可以为他们提供更有用的服务。然而，人们日常使用的智能设备可能会记录大量涉及隐私的传感数据。尽管MCS系统中的每个参与者都可能从中受益，但他们可能仍然担心他们的位置、图片等隐私被泄露。

为了解决保护用户隐私的挑战，联邦学习作为一种隐私保护模型训练和处理方案，目前受到研究人员的广泛关注，并已应用于MCS系统。联邦学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式，可以有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，能从技术上打破数据孤岛，实现共同协作。与MCS类似，联邦学习中有多个客户端和一个中央服务器。一群客户端通过多轮与中央服务器交互以获得良好预测的模型。然而，将传统的联邦学习方法直接集成到MCS中仍然存在一些需要解决的问题。即使联邦学习可以避免人们分享他们的原始数据，他们上传的梯度信息仍然会遭受一些统计属性的泄漏等问题。同时，在传统联邦学习中，中央服务器需要等待所有客户端提交模型梯度更新，然后才能进行聚合。因此，当系统中有一些性能较低的设备时，会增加服务器的聚合等待时间。显然，这严重损害了系统的效率。

对于联邦学习在具有隐私问题的MCS中的应用，有一些工作对其进行了研究并给出了较好的方案。然而，这些方案不仅存在一些隐私问题有待完善，单点故障、合谋攻击等问题也亟待解决。具体来说，当系统中存在受信任的第三方时，一旦受信任的第三方服务器崩溃，系统将无法工作。因此，可信第三方的存在会导致系统单点故障的概率增加。此外，在MCS系统中，共谋攻击也不容忽视。当系统中的共谋成本变得容易时，一些用户或服务器可能会相互勾结以获得更高的利益。因此，一个安全的MCS系统还应该考虑到合谋攻击的挑战。

发明内容

为了解决上述技术问题，本发明提供了一种移动群智感知中抗感知平台和用户共谋攻击的方法及系统。

本发明的方法所采用的技术方案是：一种移动群智感知中抗感知平台和用户共谋攻击的方法，参与者包括一组请求者、一个感知平台CSP和一群客户端设备；

所述方法包括以下步骤：

步骤1：参数设定；

感知平台CSP选择一个随机数n和一个生成元其中/>表示小于n²且与n²互素的正整数；感知平台CSP定义一个函数L(u)＝(u-1)/n，并计算μ＝(L(g^λ mod n²))^-1；其中，λ为p-1与q-1的最小公倍数；感知平台CSP定义一个函数/>将任意长的数映射到/>上，其中/>表示小于n且与n互素的正整数；感知平台CSP计算自己的公钥pk_c＝(n，g)和私钥sk_c＝(λ，μ)，公开参数{n，g，H}；客户端设备P_i选择它的私钥/>计算它的公钥/>其中，1≤i≤K，K为客户端设备的总数；

步骤2：感知平台CSP选择最合适的k个客户端设备来进行联邦学习，并且发送{w^(t)，t，P_k}给每个客户端设备，其中，P_k＝{P₁，...，P_k}为最合适的k个客户端设备，t是第t轮联邦学习，w^(t)是第t轮由客户端的局部模型参数聚合得到的联邦学习全局模型，其中t的初始值为1，并且w⁽¹⁾的初始值为随机值；

步骤3：客户端设备P_k利用其收集到的训练数据样本进行局部学习训练得到一个局部模型参数，并将与局部模型参数相关的{C_iw，C_iN}发送给感知平台CSP；其中，C_iw表示为第i个客户端的局部模型参数相关联的密文，C_iN表示为第i个客户端设备拥有的数据样本大小的密文；

步骤4：感知平台CSP在收到k个客户端设备发送的{C_iw，C_iN}后，计算聚合数据C_w和C_N；其中，C_w表示为与联邦学习全局模型相关联的密文，C_N表示所有样本数量的总和的密文；

步骤5：感知平台CSP解密并进行判断，如果联邦学习全局模型达到收敛，则本次联邦学习结束；否则，跳转到步骤2开始执行下一轮联邦学习全局模型训练；

步骤6：感知平台CSP将训练好的联邦学习全局模型发送至客户端设备，由客户端设备与请求者进行数据交互以使用联邦学习全局模型进行模型预测服务。

本发明的系统所采用的技术方案是：一种移动群智感知中抗感知平台和用户共谋攻击的系统，参与者包括一组请求者、一个感知平台CSP和一群客户端设备；

所述系统包括以下模块：

模块1，用于参数设定；

感知平台CSP选择一个随机数n和一个生成元其中/>表示小于n²且与n²互素的正整数；感知平台CSP定义一个函数L(u)＝(u-1)/n，并计算μ＝(L(g^λ mod n²))^-1；其中，λ为p-1与q-1的最小公倍数；感知平台CSP定义一个函数/>将任意长的数映射到/>上，其中/>表示小于n且与n互素的正整数；感知平台CSP计算自己的公钥pk_c＝(n，g)和私钥sk_c＝(λ，μ)，公开参数{n，g，H}；客户端设备P_i选择它的私钥/>计算它的公钥/>其中，1≤i≤K，K为客户端设备的总数；

模块2，用于感知平台CSP选择最合适的k个客户端设备来进行联邦学习，并且发送{w^(t)，t，P_k}给每个客户端设备，其中，P_k＝{P₁，...，P_k}为最合适的k个客户端设备，t是第t轮联邦学习，w^(t)是第t轮由客户端的局部模型参数w_i聚合得到的联邦学习全局模型，其中t的初始值为1，并且w⁽¹⁾的初始值为随机值；

模块3，用于客户端设备P_k利用其收集到的训练数据样本进行局部学习训练得到一个局部模型参数w_i，并将与局部模型参数w_i相关的训练结果{C_iw，C_iN}发送给感知平台CSP；其中，C_iw表示为第i个客户端的局部模型参数w_i相关联的密文，C_iN表示为第i个客户端设备拥有的数据样本大小的密文；

模块4，用于感知平台CSP在收到k个客户端设备发送的{C_iw，C_iN}后，计算聚合数据C_w和C_N；其中，C_w表示为与联邦学习全局模型相关联的密文，C_N表示所有样本数量的总和的密文；

模块5，用于感知平台CSP解密并进行判断，如果联邦学习全局模型达到收敛，则本次联邦学习结束；否则，跳转到模块2开始执行下一轮联邦学习全局模型训练；

模块6，用于感知平台CSP将训练好的联邦学习全局模型发送至客户端设备，由客户端设备与请求者进行数据交互以使用联邦学习全局模型进行模型预测服务。

本发明能确保护移动群智感知中客户端的数据隐私在外部攻击下不被泄露，同时还能够抵抗客户端和服务器的共谋攻击也不能得到其他客户端的隐私数据，具有很高的实用性。CSP通过选择的两个向量来选择最合适的客户端设备，第一个向量实际上是CSP选择本轮训练中需要哪些特征(比如计算能力，数据集大小等)，第二个向量实际上是对第一个向量中的特征值赋予一个权重比例。因此，通过这种方式可以选出满意的客户端设备P_i计算的盲化因子R_i中，以此来抵抗CSP和其他客户端设备发起的恶意合谋攻击。又因为加入的盲化因子R_i中的公钥有正有负，在CSP收集到所有客户端设备发送来的密文后，只有全部聚合在一起才能将里面的盲化因子R_i全部给消除，从而防止了CSP获得单个客户端设备的隐私数据的可能，并且能够抵抗住来自CSP的内部攻击。因此，本发明具有很高的实用性和隐私保护安全性。

附图说明

图1：本发明实施例的方法架构图；

图2：本发明实施例的方法流程图；

图3：本发明实施例的方法中步骤1的具体流程图；

图4：本发明实施例的方法中步骤2的具体流程图；

图5：本发明实施例的方法中步骤3的具体流程图；

图6：本发明实施例的方法中步骤5的具体流程图；

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供了一种移动群智感知中抗感知平台和用户共谋攻击的方法，参与者包括一组请求者、一个感知平台CSP和一群客户端设备；

假设这里有K个客户端设备，用P_i(1≤i≤K)表示第i个客户端设备。请求者会控制自己的设备去和CSP交互训练以得到一个良好的联邦学习全局模型。感知平台CSP要求先生成系统参数并且选择合适的客户端设备来进行联邦学习，还要负责将训练后的模型发放给请求者。客户端设备P_i负责将自己的本地数据安全的上传给感知平台CSP以进行模型训练。

请见图2、3、4、5和6，本发明提供一种移动群智感知中抗感知平台和用户共谋攻击的方法，包括以下步骤：

步骤1：参数设定；

请见图3，本实施例的感知平台CSP选择一个随机数n和一个生成元其中表示小于n²且与n²互素的正整数；感知平台CSP定义一个函数L(u)＝(u-1)/n，并计算μ＝(L(g^λ mod n²))^-1；其中，λ为p-1与q-1的最小公倍数；感知平台CSP定义一个函数将任意长的数映射到/>上，其中/>表示小于n且与n互素的正整数；感知平台CSP计算自己的公钥pk_c＝(n，g)和私钥sk_c＝(λ，μ)，公开参数{n，g，H}；客户端设备P_i选择它的私钥/>计算它的公钥/>其中，1≤i≤K，K为客户端设备的总数；

步骤2：感知平台CSP选择最合适的k个客户端设备来进行联邦学习，并且发送{w^(t)，t，P_k}给每个客户端设备，其中，P_k＝{P₁，...，P_k}为最合适的k个客户端设备，t是第t轮联邦学习，w^(t)是第t轮由客户端的局部模型参数w_i聚合得到的联邦学习全局模型，其中t的初始值为1，并且w⁽¹⁾的初始值为随机值；

请见图4，本实施例中步骤2的具体实现包括以下子步骤：

步骤2.1：感知平台CSP选择一个向量X＝{x₁，x₂，...，x_d}，其中d表示根据经验选取的最优的d个状态特征数据x_i；

步骤2.2：感知平台CSP选择另一个向量U＝{u₁，u₂，...，u_d}，其中u_i是x_i特征所对应的权重；

步骤2.3：感知平台CSP使用自己的公钥pk_c计算密文C_X；

其中表示为明文M对应的密文；

步骤2.4：计算并将{C_X，C_U}发送给所有客户端设备；

步骤2.5：每个客户端设备通过设备传感器收集到自己的状态数据Y_i＝{y₁，y₂，...，y_d}，1≤i≤K；

步骤2.6：客户端设备P_i计算并发送C_Di给CSP；其中，C_Di用于判断第i个客户端设备是否会被选择；

步骤2.7：感知平台CSP接收到全部C_Di后计算其中Dec是一个函数，(sk_c，C_Di)是函数Dec的输入，其输出为一个与C_Di相关的值；

步骤2.8：感知平台CSP根据所有的D_i选出最好的k个值所对应的客户端设备P_k＝{P₁，...，P_k}并且发送{w^(t)，t，P_k}给每个客户端设备，其中t是第t轮联邦学习，w^(t)是第t轮的联邦学习全局模型。

步骤3：客户端设备P_k利用其收集到的训练数据样本进行局部学习训练得到一个局部模型参数w_i，并将与局部模型参数w_i相关的训练结果{C_iw，C_iN}发送给感知平台CSP；其中，C_iw表示为第i个客户端的局部模型参数w_i相关联的密文，C_iN表示为第i个客户端设备拥有的数据样本大小的密文；

请见图5，本实施例中步骤3的具体实现包括以下子步骤：

步骤3.1：客户端设备P_i在接收到{w^(t)，t，P_k}后，计算局部模型参数w_i＝w^(t)-η·gi，其中η是固定的学习率，g_i是局部模型参数w_i梯度；

步骤3.2：客户端设备P_i计算一个盲化因子R_i；

其中/>

步骤3.3：客户端设备P_i计算r＝H(t||pk₁||pk₂||…||pk_k)，其中｜｜表示数据的拼接，{pk₁…pk_k}是被选中的k个客户端的公钥；

步骤3.4：客户端设备P_i选择随机数并计算/> 其中N_i是客户端设备P_i自己的数据集大小；其中，C_iw表示为第i个客户端的局部模型参数w_i相关联的密文；

步骤3.5：客户端设备P_i选择随机数并计算/> 其中，C_iN表示为第i个客户端设备拥有的数据样本大小的密文；

步骤3.6：P_i发送{C_iw，C_iN}给感知平台CSP。

步骤4：感知平台CSP在收到k个客户端设备发送的{C_iw，C_iN}后，计算聚合数据C_w和C_N；其中，C_w表示为与联邦学习全局模型相关联的密文，C_N表示所有样本数量的总和的密文；

请见图5，本实施例中感知平台CSP在收到k个客户端设备发送的{C_iw，C_iN}后，计算聚合数据C_w和C_N；

步骤5：感知平台CSP解密并进行判断，如果联邦学习全局模型达到收敛，则本次联邦学习结束；否则，跳转到步骤2开始执行下一轮联邦学习全局模型训练；

请见图6，本实施例中步骤5的具体实现包括以下子步骤：

步骤5.1：感知平台CSP在得到{C_w，C_N}后，计算 其中，/>是与联邦学习全局模型相关的值，N代表所有k个客户端设备的数据样本数量的总和；

步骤5.2：感知平台CSP计算t+1轮的联邦学习全局模型w^(t+1)；

步骤5.3：感知平台CSP进行判断，如果联邦学习全局模型达到收敛，则本次联邦学习结束；否则，跳转到步骤2开始执行下一轮联邦学习全局模型训练。

步骤6：感知平台CSP将训练好的联邦学习全局模型安全地发送至客户端设备，由客户端设备与请求者进行数据交互以使用联邦学习全局模型进行模型预测服务。

本发明基于同态加密算法和离散对数困难问题，实现了一种移动群智感知中抗共谋的联邦学习方案。它本发明不仅能保护移动群智感知中客户端的原始数据隐私免受外部敌手攻击，同时还能够抵抗客户端和服务器一同发起共谋攻击时也不能得到其他客户端的隐私数据。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种移动群智感知中抗感知平台和用户共谋攻击的方法，参与者包括一组请求者、一个感知平台CSP和一群客户端设备P_i；

其特征在于，所述方法包括以下步骤：

步骤1：参数设定；

给定一个安全参数k，感知平台CSP选择两个比特长度为k的大素数p,q，计算n＝pq,选择一个生成元其中/>表示小于n²且与n²互素的正整数；感知平台CSP定义一个函数L(u)＝(u-1)/n，并计算μ＝(L(g^λmodn²))^-1；其中，λ为p-1与q-1的最小公倍数；感知平台CSP定义一个函数H∶/>将任意长的数映射到/>上，其中/>表示小于n且与n互素的正整数；感知平台CSP计算自己的公钥pk_c＝(n,g)和私钥sk_c＝(λ,μ)，公开参数{n,g,H}；客户端设备P_i选择它的私钥/>计算它的公钥/>其中，1≤i≤K，K为客户端设备的总数；

步骤2：感知平台CSP选择最合适的k个客户端设备来进行联邦学习，并且发送{w^(t),t,P_k}给每个客户端设备，其中，P_k＝{P₁,…,P_k}为最合适的k个客户端设备，t代表第t轮联邦学习，w^(t)是第t轮由客户端的局部模型参数w_i聚合得到的联邦学习全局模型，其中t的初始值为1，并且w⁽¹⁾的初始值为随机值；

步骤2的具体实现包括以下子步骤：

步骤2.1：感知平台CSP选择一个向量X＝{x₁,x₂,…,x_d}，其中d表示根据经验选取的最优的d个状态特征数据x_i；

步骤2.2：感知平台CSP选择另一个向量U＝{u₁,u₂,…,u_d}，其中u_i是x_i特征所对应的权重；

步骤2.3：感知平台CSP使用自己的公钥pk_c计算密文C_X；

其中表示为明文M对应的密文；

步骤2.4：计算并将{C_X,C_U}发送给所有客户端设备；

步骤2.5：每个客户端设备通过设备传感器收集到自己的状态数据Y_i＝{y₁,y₂,…,y_d}，1≤i≤K；

步骤2.6：客户端设备P_i计算并发送C_Di给CSP；其中，C_Di用于判断第i个客户端设备是否会被选择；

步骤2.7：感知平台CSP接收到全部C_Di后计算其中Dec是一个函数，(sk_c,C_Di)是函数Dec的输入，其输出为一个与C_Di相关的值；

步骤2.8：感知平台CSP根据所有的D_i选出最好的k个值所对应的客户端设备P_k＝{P₁,…,P_k}并且发送{w^(t),t,P_k}给每个客户端设备，其中t是第t轮联邦学习，w^(t)是第t轮的联邦学习全局模型；

步骤3：客户端设备P_k利用其收集到的训练数据样本进行局部学习训练得到一个局部模型参数w_i，并将与局部模型参数w_i相关的训练结果{C_iw,C_iN}发送给感知平台CSP；其中，C_iw表示为第i个客户端的局部模型参数w_i相关联的密文，C_iN表示为第i个客户端设备拥有的数据样本大小的密文；

步骤4：感知平台CSP在收到k个客户端设备发送的{C_iw,C_iN}后，计算聚合数据C_w和C_N；其中，C_w表示为与联邦学习全局模型相关联的密文，C_N表示所有样本数量的总和的密文；

步骤5：感知平台CSP解密并进行判断，如果联邦学习全局模型达到收敛，则本次联邦学习结束；否则，跳转到步骤2开始执行下一轮联邦学习全局模型训练；

步骤6：感知平台CSP将训练好的联邦学习全局模型发送至客户端设备，由客户端设备与请求者进行数据交互以使用联邦学习全局模型进行模型预测服务。

2.根据权利要求1所述的移动群智感知中抗感知平台和用户共谋攻击的方法，其特征在于，步骤3的具体实现包括以下子步骤：

步骤3.1：客户端设备P_i在接收到{w^(t),t,P_k}后，计算局部模型参数w_i＝w^(t)-η·g_i，其中η是固定的学习率，g_i是局部模型参数梯度；

步骤3.2：客户端设备P_i计算一个盲化因子R_i；

其中/>

步骤3.3：客户端设备P_i计算h_r＝H(t||pk₁||pk₂||…||pk_k)，其中||表示数据的拼接，{pk₁…pk_k}是被选中的k个客户端的公钥；

步骤3.4：客户端设备P_i选择随机数并计算/>其中N_i是客户端设备P_i自己的数据集大小；其中，C_iw表示为第i个客户端的局部模型参数w_i相关联的密文；

步骤3.5：客户端设备P_i选择随机数并计算/>其中，C_iN表示为第i个客户端设备拥有的数据样本大小的密文；

步骤3.6：P_i发送{C_iw,C_iN}给感知平台CSP。

3.根据权利要求1所述的移动群智感知中抗感知平台和用户共谋攻击的方法，其特征在于：步骤4中，感知平台CSP在收到k个客户端设备发送的{C_iw,C_iN}后，计算聚合数据C_w和C_N；

4.根据权利要求1-3任意一项所述的移动群智感知中抗感知平台和用户共谋攻击的方法，其特征在于，步骤5的具体实现包括以下子步骤：

步骤5.1：感知平台CSP在得到{C_w,C_N}后，计算 其中，/>是与联邦学习全局模型相关的值，N代表所有k个客户端设备的数据样本数量的总和；

步骤5.2：感知平台CSP计算t+1轮的联邦学习全局模型w^(t+1)；

步骤5.3：感知平台CSP进行判断，如果联邦学习全局模型达到收敛，则本次联邦学习结束；否则，跳转到步骤2开始执行下一轮联邦学习全局模型训练。

5.一种移动群智感知中抗感知平台和用户共谋攻击的系统，参与者包括一组请求者、一个感知平台CSP和一群客户端设备；

其特征在于，所述系统包括以下模块：

模块1，用于参数设定；

感知平台CSP选择一个随机数n和一个生成元其中/>表示小于n²且与n²互素的正整数；感知平台CSP定义一个函数L(u)＝(u-1)/n，并计算μ＝(L(g^λmodn²))^-1；其中，λ为p-1与q-1的最小公倍数；感知平台CSP定义一个函数H∶/>将任意长的数映射到上，其中/>表示小于n且与n互素的正整数；感知平台CSP计算自己的公钥pk_c＝(n,g)和私钥sk_c＝(λ,μ)，公开参数{n,g,H}；客户端设备P_i选择它的私钥/>计算它的公钥其中，1≤i≤K，K为客户端设备的总数；

模块2，用于感知平台CSP选择最合适的k个客户端设备来进行联邦学习，并且发送{w^(t),t,P_k}给每个客户端设备，其中，P_k＝{P₁,…,P_k}为最合适的k个客户端设备，t是第t轮联邦学习，w^(t)是第t轮由客户端的局部模型参数w_i聚合得到的联邦学习全局模型，其中t的初始值为1，并且w⁽¹⁾的初始值为随机值；

模块2包括以下子模块：

模块2.1，用于感知平台CSP选择一个向量X＝{x₁,x₂,…,x_d}，其中d表示根据经验选取的最优的d个状态特征数据x_i；

模块2.2，用于感知平台CSP选择另一个向量U＝{u₁,u₂,…,u_d}，其中u_i是x_i特征所对应的权重；

模块2.3，用于感知平台CSP使用自己的公钥pk_c计算密文C_X；

其中表示为明文M对应的密文；

模块2.4，用于计算并将{C_X,C_U}发送给所有客户端设备；

模块2.5，用于每个客户端设备通过设备传感器收集到自己的状态数据Y_i＝{y₁,y₂,…,y_d}，1≤i≤K；

模块2.6，用于客户端设备P_i计算并发送C_Di给CSP；其中，C_Di用于判断第i个客户端设备是否会被选择；

模块2.7，用于感知平台CSP接收到全部C_Di后计算其中Dec是一个函数，(sk_c,C_Di)是函数Dec的输入，其输出为一个与C_Di相关的值；

模块2.8，用于感知平台CSP根据所有的D_i选出最好的k个值所对应的客户端设备P_k＝{P₁,…,P_k}并且发送{w^(t),t,P_k}给每个客户端设备，其中t是第t轮联邦学习，w^(t)是第t轮的联邦学习全局模型；

模块3，用于客户端设备P_k利用其收集到的训练数据样本进行局部学习训练得到一个局部模型参数w_i，并将与局部模型参数w_i相关的训练结果{C_iw,C_iN}发送给感知平台CSP；其中，C_iw表示为第i个客户端的局部模型参数w_i相关联的密文，C_iN表示为第i个客户端设备拥有的数据样本大小的密文；

模块4，用于感知平台CSP在收到k个客户端设备发送的{C_iw,C_iN}后，计算聚合数据C_w和C_N；其中，C_w表示为与联邦学习全局模型相关联的密文，C_N表示所有样本数量的总和的密文；

模块5，用于感知平台CSP解密并进行判断，如果联邦学习全局模型达到收敛，则本次联邦学习结束；否则，跳转到模块2开始执行下一轮联邦学习全局模型训练；

模块6，用于感知平台CSP将训练好的联邦学习全局模型发送至客户端设备，由客户端设备与请求者进行数据交互以使用联邦学习全局模型进行模型预测服务。