CN115629783B - 一种移动群智感知中保护隐私且抗异常数据的模型更新方法 - Google Patents
一种移动群智感知中保护隐私且抗异常数据的模型更新方法 Download PDFInfo
- Publication number
- CN115629783B CN115629783B CN202211328587.XA CN202211328587A CN115629783B CN 115629783 B CN115629783 B CN 115629783B CN 202211328587 A CN202211328587 A CN 202211328587A CN 115629783 B CN115629783 B CN 115629783B
- Authority
- CN
- China
- Prior art keywords
- worker
- data
- list
- workers
- model parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 31
- 230000002776 aggregation Effects 0.000 claims abstract description 36
- 238000004220 aggregation Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 14
- 230000000379 polymerizing effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008447 perception Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种移动群智感知中保隐私且抗异常数据的模型更新方法,包括:系统初始化阶段、工人选择阶段、数据加密阶段、数据聚合阶段以及数据解密阶段。本发明可以在保护工人本地模型参数隐私的前提下,将异常的模型参数过滤掉,只对正常的模型参数进行聚合,从而获得准确的聚合结果,这有助于提高全局模型的训练效率,减少训练轮次,以实现移动群智感知中的高质量服务。无需额外的过程,本发明在数据聚合的过程中就可以完成对异常数据的过滤,降低了数据处理的复杂度。在现有工人选择方案的基础上,维度转换技术的引入可以极大地降低根据多维属性选择工人时所需的计算开销。
Description
技术领域
本部发明属于物联网安全技术领域,具体涉及一种移动群智感知中保隐私且抗异常数据的模型更新方法。
背景技术
随着物联网和移动互联网技术的发展,移动群智感知(MCS)作为一种新的感知模式被提出。与基于传统传感器网络的感知不同,MCS以大量的普通工人为感知源,利用公众广泛分布、灵活流动和随机连接的特点进行大规模感知。MCS整合了隐性和显性的蜂窝智能,并且优化和提升了对感知数据的分析,可以为城市和社会管理提供智能辅助支持。MCS可以应用于许多必要的领域,如公共安全、城市管理、商业智能、环境监测、社会治理等。此外,它还具有组网成本低、系统维护方便、服务灵活等特点,显著提高了物联网的应用效率。然而,在感知任务中,工人不可避免地要与平台分享他们的感知信息(如日常轨迹、实时位置和周围的环境)。信息的泄露可能导致严重的隐私问题。比如,攻击者可以通过分析一个工人的感知数据来推断他的日常行为。因此,保护工人的敏感信息不被泄露是MCS应用面临的主要挑战之一。
近年来,有越来越多的研究提出相应的方案来解决MCS中可能出现的隐私问题。在这些研究中,联邦移动群智感知(F-MCS)被普遍认为是一种常见而有效的解决方案。联邦移动群智感知的分布式特性使工人不仅能够优化全局模型,同时也保持其本地训练数据的隐私性。在F-MCS中,平台选择一部分合适的工人下载并训练全局模型。被选中的工人根据其本地私有数据更新本地模型参数,并将更新后的参数返回给平台。在接收到本地模型参数后,平台对其进行聚合以生成新的全局模型。FL可以分为两种主要类型:cross-siloFL和cross-deviceFL,我们的工作主要集中于后者。在cross-deviceFL中,全局模型的训练通常遵循同步训练协议:在所有工人都完成本地模型参数的上传之前,没有工人可以进入下一轮训练。但是,计算能力较低的工人需要更长的时间来更新本地模型参数,这就会延迟后续的聚合阶段,从而降低全局模型的更新效率。此外,资源有限的工人很难训练出高质量的模型。由于工人的动态特性和异构性在很大程度上影响着移动群智感知中服务的质量,工人的选择一直是F-MCS中的一个关键问题。
此外,联邦学习的特性使得恶意实体对全局模型的污染攻击不易被发现。并且,被选中的工人可能会因为故障或恶意实体的攻击而上传异常数据;另外,一些局部模型参数也可能由于噪声干扰而出现异常数据的特征,这些都会对模型参数造成污染。因此,对局部模型参数进行异常检测具有十分重要的意义。
发明内容
针对上述问题,本发明的目的是提供一种移动群智感知中保隐私且抗异常数据的模型更新方案,在保护工人私有数据隐私的同时,对工人上传的本地模型参数进行异常检测,抵抗恶意实体对模型参数的污染攻击,进而提高移动群智感知中服务的质量。另外,本发明提出了一种新的工人选择方案,以更低的计算开销选择出合适的工人来参与全局模型的更新。
具体的技术方案为:
一种移动群智感知中保隐私且抗异常数据的模型更新方法,主要包括:系统初始化阶段、工人选择阶段、数据加密阶段、数据聚合阶段以及数据解密阶段。
具体的步骤为:
步骤1:系统初始化
给定安全参数κ,可信的第三方机构(TKG)生成BGN公钥pk=(n,G1,G2,e,g,h),以及相应的私钥sk=p。然后,可信的第三方机构(TKG)公布公钥pk,并秘密保存私钥sk。
为了对工人上传的本地模型参数进行异常检测,F-MCS平台(P)构建一个矩阵来表示异常检测的范围:假设RL和Ru分别表示检测范围的上界和下界,取最小的n,使得1≤RL≤RU≤N,其中N=n2;然后将范围[RL,RU]用矩阵M表示出来。
对于1≤m≤N,
将矩阵M拆分为三个矩阵M1、M2和M3,使得M=M1∨M2∨M3;
设一个n维行向量Xv=(xv1,xv2,...,xvn),如果矩阵Mv的第a行不全为0则置xva=1,否则置xva=0。并设一个n维的列向量Yv=(yv1,yv2,...,yvn),并置所有yvb为1。设一个n维的行向量并置所有/>为1。并设一个n维的列向量如果矩阵Mv的第b列不全为0,则置/>否则置/>
步骤2:工人选择
在每一轮训练的开始阶段,F-MCS平台根据以下方法选择合适的工人来参与全局模型的更新。
设UL表示L个备选的工人,即UL={u1,u2,...,uL}。并且每个工人ui具备d种属性:本地数据量Di,移动设备的计算能力Ci,可信度Ri等等。每个工人需要周期性上传他们的属性值{ui1,ui2,...,uid}给F-MCS平台。F-MCS平台根据任务的需求为每种属性设定限定范围C={C1,C2,...,Cd},并根据限定范围选择合适的工人参与全局模型的更新。
根据维度转换方法生成一个二维的数据(u′i1,u′i2)来表示工人ui的原始属性数据(ui1,ui2,...,uid)。
当d是偶数时:
当d是奇数时:
进行上述转换之后,认为每个工人只有两钟属性,分别为u′i1和u′i2。F-MCS平台为每个工人ui计算Ei=u′i1+u′i2,并预置三个空列表Lpre,Lsky和Lh。首先,所有的候选工人被按照Ei的降序添加到列表Lpre中;然后平台遍历列表Lpre中的工人,并把列表Lpre中的第一个工人转移到列表Lsky中。列表Lpre中的每一个工人将与已经在列表Lsky中的工人进行比较,如果工人ui不被列表Lsky中的所有工人所支配,那么工人ui将被添加到列表Lsky中,否则工人ui被加入到列表Lh中。上述步骤将被重复直到列表Lpre为空,或者列表Lsky中工人的数量等于l。设lv表示列表Lsky中的空缺数量。如果lv>0,列表Lh中的前lv个工人将被添加到列表Lsky中。
F-MCS平台列表Lsky中的所有工人ui计算wi=Di/(D1+D2+...+Dl),作为工人ui本地模型参数的权重;假设wi四舍五入到小数点后三位,并对每个wi乘103来将其转化成一个正整数,即wi←103·wi。
E(wiX1)=(E(wix11),E(wix12),E(wix13),...,E(wix1n))
E(wiX2)=(E(wix21),E(wix22),E(wix23),…,E(wix2n))
E(wiX3)=(E(wix31),E(wix32),E(wix33),...,E(wix3n))
并将其发送给被选择的工人Ul={U1,U2,...,Ul}。
步骤3:数据的加密
在接收到上述信息后,每个工人ui首先根据他的私有数据计算平均梯度gi,然后并根据等式进一步生成本地模型参数/>其中η为固定的学习率;将保留到小数点后三位;在加密本地模型参数/>前,工人ui按照等式/>将其转化为Zn中的整数。
其中随机数n1,n2∈Zn。
然后,工人ui将密文(ci,si)报告给聚合中心AC。
步骤4:数据的聚合
聚合中心AC在接收到所有被选工人报告的密文(ci,si)后,对其进行聚合得到聚合结果{C,S}并发送给F-MCS平台。
其中Ul表示被选择参与模型更新的工人。
步骤5:数据的解密
在接收到聚合结果(C,S)后,F-MCS平台对其进行解密:
其中Uf表示本地模型参数正常的工人。
F-MCS平台可以通过的结果来判断是否有工人未上传本地模型参数或上传了异常的本地模型参数:如果/>说明所有被选中的工人都上传了本地模型参数且无异常数据,F-MCS平台会进一步解密S并根据等式更新新一轮全局模型mt+1;否则,F-MCS平台则会要求被选中的工人重新上传他们的本地模型参数。
然后,F-MCS平台会重复上述步骤继续新的一轮训练,直到全局模型达到理想状态。
本发明技术方案带来的有益效果
本发明可以在保护工人本地模型参数隐私的前提下,将异常的模型参数过滤掉,只对正常的模型参数进行聚合,从而获得准确的聚合结果,这有助于提高全局模型的训练效率,减少训练轮次,以实现移动群智感知中的高质量服务。
无需额外的过程,本发明在数据聚合的过程中就可以完成对异常数据的过滤,降低了数据处理的复杂度。
在现有工人选择方案的基础上,维度转换技术的引入可以极大地降低根据多维属性选择工人时所需的计算开销。
附图说明
图1为实施例的系统模型;
图2为实施例的范围矩阵的表示与分解示意图。
具体实施方式
结合实施例说明本发明的具体技术方案。
本实施例中定义系统模型,安全模型,并确定本系统的设计目标。
系统模型:
如图1所示,本发明的系统模型主要由以下四个实体组成:可信的第三方机构(TKG),F-MCS平台(P),聚合中心(AC)和异构的候选工人(U)。
可信的第三方机构(TKG):在本系统模型中,可信的第三方机构(TKG)主要负责生成并分发密钥和系统公共参数给系统中相应的实体。
F-MCS平台(P):F-MCS平台(P)负责选择合适的工人来参与全局模型的更新,并设定异常检测的范围,以便抵抗恶意实体对模型参数的污染攻击,从而提高移动群智感知中服务的质量。并且,F-MCS平台(P)可以根据被选中工人上传的本地模型参数对全局模型进行更新。
异构的候选工人(U):异构的候选工人(U)主要负责根据当前的全局模型对本地的私有数据进行训练,并安全地将生成的本地模型参数报告给聚合中心(AC)。
聚合中心(AC):在移动群智感知系统中,聚合中心(AC)收集被选中工人报告的本地模型参数,并对其进行聚合。相比于一般的聚合过程,在本发明中聚合中心还可以检测本地模型参数是否异常,并将异常值消除掉,从而抵抗恶意实体对模型参数的污染攻击。值得注意的是,这一功能可以在聚合的同时进行,而无需额外的过程。当聚合过程结束后,聚合中心(AC)将聚合结果发送给F-MCS平台(P)。
安全模型:
首先,可信的第三方机构(TKG)是完全可信的,它为相应的实体生成密钥和系统公共参数。此外,F-MCS平台(P)和聚合中心(AC)是诚实但又好奇的。他们会严格遵守所提出的方案,但可能对工人的本地模型参数感到好奇。此外,敌手A也对工人的本地模型参数感兴趣,它可以窃听F-MCS平台(P)和异构的候选工人(U)之间的通信。根据窃听的信息,敌手A可以推断出工人实时的时间和空间信息。此外,认为异构的候选工人(U)是诚实而好奇的。他们在生成、加密和上传本地模型参数时,会严格遵守所提出的方案,但可能对其他工人的参数感到好奇。
最重要的是,认为被选中的工人可能会因为故障或恶意实体的攻击而上传异常的参数,这可能会污染模型参数。
此外,F-MCS平台(P)的其他漏洞也可能被外部攻击者所利用。然而,由于这项工作的重点是保护工人的模型参数和异常检测范围的隐私,其他攻击超出了本方案的范围。
设计目标:
在上述系统模型和安全模型下,本发明的设计目标是提出移动群智感知中保隐私且抗异常数据的模型更新方案。特别是,应实现以下三个目标:
隐私保护:计划设计一个可以保护工人本地模型参数以及异常检测范围的隐私的方案。即,工人的本地模型参数不能被其他实体恢复,另外包括工人自己在内任何实体都无法确定其本地模型参数是否异常。
检测异常数据:为了防止模型参数受到恶意实体的污染攻击,所提出的方案应该能够检测到异常的本地模型参数。
效率:所提出的方案应在选择合适工人和更新全局模型两个方面是高效的。为了实现可实用的模型更新方案,应同时考虑安全性和效率性问题,以找到一个权衡解决方案。
本发明提供了一种移动群智感知中保隐私且抗异常数据的模型更新方法,主要包括:系统初始化阶段、工人选择阶段、数据加密阶段、数据聚合阶段以及数据解密阶段。
步骤1:系统初始化
给定安全参数κ,可信的第三方机构(TKG)生成BGN公钥pk=(n,G1,G2,e,g,h),以及相应的私钥sk=p。然后,可信的第三方机构(TKG)公布公钥pk,并秘密保存私钥sk。
如图2所示,为了对工人上传的本地模型参数进行异常检测,F-MCS平台(P)构建一个矩阵来表示异常检测的范围:假设RL和RU分别表示检测范围的上界和下界,取最小的n,使得1≤RL≤RU≤N,其中N=n2;然后将范围[RL,RU]用矩阵M表示出来。
对于1≤m≤N,
然后,本发明将矩阵M拆分为三个矩阵M1、M2和M3,使得M=M1∨M2∨M3。
设一个n维行向量Xv=(xv1,xv2,…,xvn),如果矩阵Mv的第a行不全为0则置xva=1,否则置xva=0。并设一个n维的列向量Yv=(yv1,yv2,...,yvn),并置所有yvb为1。设一个n维的行向量并置所有/>为1。并设一个n维的列向量如果矩阵Mv的第b列不全为0,则置/>否则置/>步骤2:工人选择
在每一轮训练的开始阶段,F-MCS平台根据以下方法选择合适的工人来参与全局模型的更新。
设UL表示L个备选的工人,即UL={u1,u2,...,uL}。并且每个工人ui具备d种属性:本地数据量Di,移动设备的计算能力Ci,可信度Ri等等。每个工人需要周期性上传他们的属性值{ui1,ui2,…,uid}给F-MCS平台。F-MCS平台根据任务的需求为每种属性设定限定范围C={C1,C2,...,Cd},并根据限定范围选择合适的工人参与全局模型的更新。
为了降低传统方案中选择合适工人所需要的计算开销,本发明根据维度转换方法生成一个二维的数据(u′i1,u′i2)来表示工人ui的原始属性数据(ui1,ui2,...,uid)。
当d是偶数时,
当d是奇数时,
进行上述转换之后,就可以等价认为每个工人只有两钟属性,分别为u′i1和u′i2。F-MCS平台为每个工人ui计算Ei=u′i1+u′i2,并预置三个空列表Lpre,Lsky和Lh。首先,所有的候选工人被按照Ei的降序添加到列表Lpre中;然后平台遍历列表Lpre中的工人,并把列表Lpre中的第一个工人转移到列表Lsky中。列表Lpre中的每一个工人将与已经在列表Lsky中的工人进行比较,如果工人ui不被列表Lsky中的所有工人所支配,那么工人ui将被添加到列表Lsky中,否则工人ui被加入到列表Lh中。上述步骤将被重复直到列表Lpre为空,或者列表Lsky中工人的数量等于l。设lv表示列表Lsky中的空缺数量。如果lv>0,列表Lh中的前lv个工人将被添加到列表Lsky中。
F-MCS平台列表Lsky中的所有工人ui计算wi=Di/(D1+D2+…+Dl),作为工人ui本地模型参数的权重。为了增加普遍性,假设wi四舍五入到小数点后三位,并对每个wi乘103来将其转化成一个正整数,即wi←103·wi。
E(wiX1)=(E(wix11),E(wix12),E(wix13),…,E(wix1n))
E(wiX2)=(E(wix21),E(wix22),E(wix23),…,E(wix2n))
E(wiX3)=(E(wix31),E(wix32),E(wix33),…,E(wix3n))
并将其发送给被选择的工人Ul={U1,U2,...,Ul}。
步骤3:数据的加密
在接收到上述信息后,每个工人ui首先根据他的私有数据计算平均梯度gi,然后并根据等式进一步生成本地模型参数/>其中η为固定的学习率。为了尽量保留原始数据,本发明将/>保留到小数点后三位。所以,在加密本地模型参数/>前,工人ui需要按照等式/>将其转化为Zn中的整数。
其中随机数n1,n2∈Zn。
然后,工人ui将密文(ci,si)报告给聚合中心AC。
步骤4:数据的聚合
聚合中心AC在接收到所有被选工人报告的密文(ci,si)后,对其进行聚合得到聚合结果{C,S}并发送给F-MCS平台。
其中Ul表示被选择参与模型更新的工人。
步骤5:数据的解密
在接收到聚合结果(C,S)后,F-MCS平台对其进行解密
其中Uf表示本地模型参数正常的工人。
F-MCS平台可以通过的结果来判断是否有工人未上传本地模型参数或上传了异常的本地模型参数:如果/>说明所有被选中的工人都上传了本地模型参数且无异常数据,F-MCS平台会进一步解密S并根据等式更新新一轮全局模型mt+1;否则,F-MCS平台则会要求被选中的工人重新上传他们的本地模型参数。(注:因为本地模型参数/>和权重wi的初始值都乘了103,所以上式中的10-6用来恢复mt+1真实值)
然后,F-MCS平台会重复上述步骤继续新的一轮训练,直到全局模型达到理想状态。
Claims (4)
1.一种移动群智感知中保护隐私且抗异常数据的模型更新方法,其特征在于,包括:系统初始化阶段、工人选择阶段、数据加密阶段、数据聚合阶段以及数据解密阶段;
具体的为:
步骤1:系统初始化
给定安全参数κ,可信的第三方机构TKG生成BGN公钥pk=(nθ,G1,G2,e,g,h),以及相应的私钥sk=p;然后,可信的第三方机构TKG公布公钥pk,并秘密保存私钥sk;
为了对工人上传的本地模型参数进行异常检测,F-MCS平台P构建一个矩阵来表示异常检测的范围:假设RL和RU分别表示检测范围的下界和上界,取最小的n,使得1≤RL≤RU≤N,其中N=n2;然后将范围[RL,RU]用矩阵M表示出来;
对于1≤m≤N,
将矩阵M拆分为三个矩阵M1、M2和M3,使得M=M1∨M2∨M3;
步骤2:工人选择
在每一轮训练的开始阶段,F-MCS平台根据以下方法选择合适的工人来参与全局模型的更新;
设UL表示L个备选的工人,即UL={u1,u2,...,uL};并且每个工人ui具备d种属性:本地数据量Di,移动设备的计算能力Ci,可信度Ri;
每个工人需要周期性上传他们的属性值{ui1,ui2,...,uid}给F-MCS平台;F-MCS平台根据任务的需求为每种属性设定限定范围C={C1,C2,...,Cd},并根据限定范围选择合适的工人参与全局模型的更新;
根据维度转换方法生成一个二维的数据(u′i1,u′i2)来表示工人ui的原始属性数据(ui1,ui2,...,uid);
当d是偶数时:
当d是奇数时:
进行上述转换之后,认为每个工人只有两种属性,分别为u′i1和u′i2;F-MCS平台为每个工人ui计算Ei=u′i1+u′i2,并预置三个空列表Lpre,Lsky和Lh;
F-MCS平台列表Lsky中的所有工人ui计算wi=Di/(D1+D2+...+Dl),作为工人ui本地模型参数的权重;假设wi四舍五入到小数点后三位,并对每个wi乘103来将其转化成一个正整数,即wi←103·wi;
并将其发送给被选择的工人Ul={U1,U2,...,Ul};
步骤3:数据的加密
在接收到加密的向量后,每个工人ui首先根据他的私有数据计算平均梯度gi,然后并根据等式进一步生成本地模型参数/>其中η为固定的学习率;将/>保留到小数点后三位;在加密本地模型参数/>前,工人ui按照等式/>将其转化为Zn中的整数;
其中随机数n1,n2∈Zn;
然后,工人ui将密文(ci,si)报告给聚合中心AC;
步骤4:数据的聚合
聚合中心AC在接收到所有被选工人报告的密文(ci,si)后,对其进行聚合得到聚合结果{C,S}并发送给F-MCS平台;
其中Ul表示被选择参与模型更新的工人;
步骤5:数据的解密
在接收到聚合结果(C,S)后,F-MCS平台对其进行解密:
其中Uf表示本地模型参数正常的工人;
F-MCS平台通过的结果来判断是否有工人未上传本地模型参数或上传了异常的本地模型参数:如果/>说明所有被选中的工人都上传了本地模型参数且无异常数据,F-MCS平台会进一步解密S并根据等式/>更新新一轮全局模型mt+1;否则,F-MCS平台则会要求被选中的工人重新上传他们的本地模型参数;
然后,F-MCS平台会重复上述步骤继续新的一轮训练,直到全局模型达到理想状态。
3.根据权利要求1所述的一种移动群智感知中保护隐私且抗异常数据的模型更新方法,其特征在于,步骤2中,F-MCS平台为每个工人ui计算Ei=u′i1+u′i2,并预置三个空列表Lpre,Lsky和Lh,具体方法为:
首先,所有的候选工人被按照Ei的降序添加到列表Lpre中;
然后平台遍历列表Lpre中的工人,并把列表Lpre中的第一个工人转移到列表Lsky中;列表Lpre中的每一个工人将与已经在列表Lsky中的工人进行比较,如果工人ui不被列表Lsky中的所有工人所支配,那么工人ui将被添加到列表Lsky中,否则工人ui被加入到列表Lh中;
上述步骤将被重复直到列表Lpre为空,或者列表Lsky中工人的数量等于l;设lv表示列表Lsky中的空缺数量;如果lv>0,列表Lh中的前lv个工人将被添加到列表Lsky中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211328587.XA CN115629783B (zh) | 2022-10-27 | 2022-10-27 | 一种移动群智感知中保护隐私且抗异常数据的模型更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211328587.XA CN115629783B (zh) | 2022-10-27 | 2022-10-27 | 一种移动群智感知中保护隐私且抗异常数据的模型更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115629783A CN115629783A (zh) | 2023-01-20 |
CN115629783B true CN115629783B (zh) | 2023-05-26 |
Family
ID=84906472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211328587.XA Active CN115629783B (zh) | 2022-10-27 | 2022-10-27 | 一种移动群智感知中保护隐私且抗异常数据的模型更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115629783B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109121134A (zh) * | 2018-09-12 | 2019-01-01 | 滁州学院 | 一种适于无线传感网多应用数据融合的隐私保护和完整性检测方法 |
CN114139194A (zh) * | 2021-11-10 | 2022-03-04 | 北京理工大学 | 一种基于任务内容的隐私保护任务分配方法 |
CN114362940A (zh) * | 2021-12-29 | 2022-04-15 | 华东师范大学 | 一种数据隐私保护的无服务器异步联邦学习方法 |
CN115037477A (zh) * | 2022-05-30 | 2022-09-09 | 南通大学 | 一种基于区块链的联邦学习隐私保护方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480695A (zh) * | 2015-02-06 | 2017-12-15 | 安徽大学 | 一种物体轮廓检测识别方法 |
AU2017201850B2 (en) * | 2016-03-21 | 2020-10-29 | Vireshwar K. ADHAR | Method and system for digital privacy management |
FR3097353B1 (fr) * | 2019-06-12 | 2021-07-02 | Commissariat Energie Atomique | Méthode d’apprentissage collaboratif d’un réseau de neurones artificiels sans divulgation des données d’apprentissage |
US11487969B2 (en) * | 2020-02-18 | 2022-11-01 | Xayn Ag | Apparatuses, computer program products, and computer-implemented methods for privacy-preserving federated learning |
CN111835500B (zh) * | 2020-07-08 | 2022-07-26 | 浙江工商大学 | 基于同态加密与区块链的可搜索加密数据安全共享方法 |
CN112929167B (zh) * | 2021-02-03 | 2022-02-15 | 华南理工大学 | 基于雾辅助移动群智感知中保护隐私的数据聚合方法 |
CN113037460B (zh) * | 2021-03-03 | 2023-02-28 | 北京工业大学 | 基于同态加密和秘密共享的联邦学习隐私保护方法 |
CN113256886B (zh) * | 2021-04-15 | 2022-12-09 | 桂林电子科技大学 | 具有隐私保护的智能电网用电量统计和计费系统及方法 |
CN114221809B (zh) * | 2021-12-14 | 2024-01-26 | 北方工业大学 | 一种抗异常数据且保隐私的数据聚合系统及方法 |
-
2022
- 2022-10-27 CN CN202211328587.XA patent/CN115629783B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109121134A (zh) * | 2018-09-12 | 2019-01-01 | 滁州学院 | 一种适于无线传感网多应用数据融合的隐私保护和完整性检测方法 |
CN114139194A (zh) * | 2021-11-10 | 2022-03-04 | 北京理工大学 | 一种基于任务内容的隐私保护任务分配方法 |
CN114362940A (zh) * | 2021-12-29 | 2022-04-15 | 华东师范大学 | 一种数据隐私保护的无服务器异步联邦学习方法 |
CN115037477A (zh) * | 2022-05-30 | 2022-09-09 | 南通大学 | 一种基于区块链的联邦学习隐私保护方法 |
Non-Patent Citations (2)
Title |
---|
基于联邦学习和卷积神经网络的入侵检测方法;王蓉;马春光;武朋;;信息网络安全(第04期);全文 * |
移动群智感知中基于强化学习的双赢博弈;蔡威;白光伟;沈航;成昭炜;张慧丽;;计算机科学(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115629783A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | DeepFed: Federated deep learning for intrusion detection in industrial cyber–physical systems | |
Xu et al. | Privacy-preserving federated deep learning with irregular users | |
WO2021227241A1 (zh) | 智能电网中抗密钥泄露的加密数据聚合的统计分析方法 | |
Wang et al. | Fault-tolerant multisubset aggregation scheme for smart grid | |
Li et al. | Efficient and privacy-preserving data aggregation in mobile sensing | |
CN109347829B (zh) | 一种基于隐私保护的群智感知网络真值发现方法 | |
CN104219056A (zh) | 一种智能电网中具有隐私保护的实时电量收集方法 | |
CN110839028B (zh) | 一种雾协助工业物联网的隐私保护方法 | |
CN114866222B (zh) | 一种支持隐私保护的密文数据统计分析系统及方法 | |
CN111935168A (zh) | 面向工业信息物理系统的入侵检测模型建立方法 | |
Ge et al. | FGDA: Fine-grained data analysis in privacy-preserving smart grid communications | |
Liu et al. | Study on network security based on PCA and BP neural network under green communication | |
CN111581648B (zh) | 在不规则用户中保留隐私的联邦学习的方法 | |
Li et al. | Secure and temporary access delegation with equality test for cloud-assisted IoV | |
Xiong et al. | Revocable and unbounded attribute-based encryption scheme with adaptive security for integrating digital twins in internet of things | |
Jiang et al. | A verifiable and privacy‐preserving multidimensional data aggregation scheme in mobile crowdsensing | |
CN103825725A (zh) | 一种基于矢量量化的高效随机物理层密钥产生方法 | |
CN110661771B (zh) | 一种抵抗差分攻击的安全智能电网访问控制方法及系统 | |
Jiang et al. | Lightweight data security protection method for AMI in power Internet of Things | |
Sherifl et al. | Efficient privacy-preserving aggregation scheme for data sets | |
CN115629783B (zh) | 一种移动群智感知中保护隐私且抗异常数据的模型更新方法 | |
Zhang et al. | FSDA: flexible subset data aggregation for smart grid | |
Li et al. | Look-up table based FHE system for privacy preserving anomaly detection in smart grids | |
CN109889501B (zh) | 一种物联通信中多维数据聚合及多函数分析的方法及系统 | |
CN112751661B (zh) | 一种基于同态加密的工业现场设备隐私数据保护方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240219 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 100043 No. 5 Jinyuanzhuang Road, Shijingshan District, Beijing Patentee before: NORTH CHINA University OF TECHNOLOGY Country or region before: China |
|
TR01 | Transfer of patent right |