CN117150321B - 设备信任度评价方法、装置、服务设备及存储介质 - Google Patents

设备信任度评价方法、装置、服务设备及存储介质 Download PDF

Info

Publication number
CN117150321B
CN117150321B CN202311426265.3A CN202311426265A CN117150321B CN 117150321 B CN117150321 B CN 117150321B CN 202311426265 A CN202311426265 A CN 202311426265A CN 117150321 B CN117150321 B CN 117150321B
Authority
CN
China
Prior art keywords
super node
devices
reputation
determining
trust
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
Application number
CN202311426265.3A
Other languages
English (en)
Other versions
CN117150321A (zh
Inventor
周赞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202311426265.3A priority Critical patent/CN117150321B/zh
Publication of CN117150321A publication Critical patent/CN117150321A/zh
Application granted granted Critical
Publication of CN117150321B publication Critical patent/CN117150321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明提供一种设备信任度评价方法、装置、服务设备及存储介质，涉及数据处理技术领域，该方法包括：获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点并进行至少一轮同步更新；根据第一超级节点对于第二超级节点的第一信誉度参数和第一超级节点的信誉意见权重，确定多个第二设备各自对应的第二信誉度参数；根据第二设备对应的第二信誉度参数和各其它第二设备对于第二设备的时效程度，确定各其它第二设备对于第二设备的第三信誉度参数；根据至少一轮同步更新中其它第二设备对于第二设备的所有时效程度和第二设备对应的所有第三信誉度参数，确定其它第二设备对于第二设备的累计信任度，该累计信任度是较为准确和可靠的。

Description

设备信任度评价方法、装置、服务设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种设备信任度评价方法、装置、服务设备及存储介质。
背景技术
随着互联网的发展，数据安全愈发受到关注，如何准确评估用户设备（简称：设备）的信任度是亟待解决的问题。
现有的设备信任度评价方法是基于设备的基本信息和信用数据（如信用历史、信用行为等），进行数据挖掘和统计分析，得到反映设备信用情况的信用分值，通过该信用分值即可实现设备信任度评价。该方法考虑的设备相关数据较为单一，在一定程度上影响了设备信任度评价的准确性和可靠性。
发明内容
本发明提供一种设备信任度评价方法、装置、服务设备及存储介质，用以解决现有的设备信任度评价方法中考虑的设备相关数据较为单一，在一定程度上影响了设备信任度评价的准确性和可靠性的缺陷，该方法在对多个超级节点进行相互同步更新的过程中，综合考虑了这多个超级节点各自的信誉度参数和信誉意见权重，确定各超级节点中各设备的信誉度参数，进而结合各设备的时效程度，确定各设备的累计信任度，整个过程涉及的相关数据具有多样性，使得最终确定的累计信任度是较为准确和可靠的。
本发明提供一种设备信任度评价方法，包括：
获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对所述第一超级节点和所述第二超级节点进行至少一轮同步更新；其中，所述第一超级节点用于表征聚合了对应多个第一设备的服务器，所述第二超级节点用于表征聚合了对应多个第二设备的服务器；
在各轮同步更新的过程中，根据所述第一超级节点对于所述第二超级节点的第一信誉度参数和所述第一超级节点的信誉意见权重，确定所述多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于所述第二设备的时效程度，确定所述各其它第二设备对于所述第二设备的第三信誉度参数；
针对所述各其它第二设备，根据所述至少一轮同步更新中其它第二设备对于所述第二设备的所有时效程度和所述第二设备对应的所有第三信誉度参数，确定所述其它第二设备对于所述第二设备的累计信任度。
根据本发明提供的一种设备信任度评价方法，所述根据所述第一超级节点对于所述第二超级节点的第一信誉度参数和所述第一超级节点的信誉意见权重，确定所述多个第二设备各自对应的第二信誉度参数，包括：确定所述第一超级节点对于所述第二超级节点的第一不确定程度和第一信任程度，并确定所述第一超级节点的信誉意见权重；根据所述第一不确定程度和所述第一信任程度，确定所述第一超级节点对于所述第二超级节点的第一信誉度参数；根据所述第一信誉度参数和所述第一超级节点的信誉意见权重，确定所述多个第二设备各自对应的第二信誉度参数。
根据本发明提供的一种设备信任度评价方法，所述确定所述第一超级节点对于所述第二超级节点的第一不确定程度和第一信任程度，包括：根据所述第一超级节点对应的第一噪声标准差和所述第二超级节点对应的第二噪声标准差，确定所述第一超级节点对于所述第二超级节点的第一不确定程度；确定所述第一超级节点对于所述第二超级节点的余弦相似度；根据所述余弦相似度，确定所述第一超级节点对于所述第二超级节点的正向交互向量和负向交互向量；根据所述第一不确定程度、所述正向交互向量和所述负向交互向量，确定所述第一超级节点对于所述第二超级节点的第一信任程度。
根据本发明提供的一种设备信任度评价方法，所述确定所述第一超级节点的信誉意见权重，包括：确定所述第一超级节点对应的模型准确度、所述第一超级节点的类分布及所有超级节点对应的总体类分布；根据所述模型准确度、所述类分布和所述总体类分布，确定所述第一超级节点的信誉意见权重。
根据本发明提供的一种设备信任度评价方法，所述根据第二设备对应的第二信誉度参数和各其它第二设备对于所述第二设备的时效程度，确定所述各其它第二设备对于所述第二设备的第三信誉度参数，包括：针对所述各其它第二设备，在当前轮次同步更新的过程中，根据所述至少一轮同步更新对应的最大轮次和其它第二设备与所述第二设备之间的历史交互时间的时隙，生成所述其它第二设备对于所述第二设备的时效程度；根据所述时效程度和所述第二设备在所述当前轮次同步更新下的第二信誉度参数，确定所述其它第二设备对于所述第二设备的第三信誉度参数。
根据本发明提供的一种设备信任度评价方法，所述根据所述至少一轮同步更新中其它第二设备对于所述第二设备的所有时效程度和所述第二设备对应的所有第三信誉度参数，确定所述其它第二设备对于所述第二设备的累计信任度，包括：在所述各轮同步更新的过程中，根据所述第一超级节点对于所述第二超级节点的第一信誉度参数，确定第一信任度；根据所述第一超级节点的信誉意见权重和所述第一信任度，确定第二信任度；根据所述至少一轮同步更新中所述其它第二设备对于所述第二设备的所有时效程度和所述第二设备对应的所有第二信任度，确定所述其它第二设备对于所述第二设备的累计信任度。
根据本发明提供的一种设备信任度评价方法，所述多个第一设备对应的第一超级节点和所述多个第二设备对应的第二超级节点是基于以下步骤得到的：对多个初始设备各自的分布数据进行聚类，得到多个设备簇，各设备簇包括至少一个初始设备；针对各设备簇，将所述设备簇中符合第一全局分布的初始设备确定为第一设备，并将所述设备簇中符合第二全局分布的初始设备确定为第二设备；根据多个第一设备，构建对应的第一超级节点，并根据多个第二设备，构建对应的第二超级节点。
本发明还提供一种设备信任度评价装置，包括：
获取模块，用于获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对所述第一超级节点和所述第二超级节点进行至少一轮同步更新；其中，所述第一超级节点用于表征聚合了对应多个第一设备的服务器，所述第二超级节点用于表征聚合了对应多个第二设备的服务器；
处理模块，用于在各轮同步更新的过程中，根据所述第一超级节点对于所述第二超级节点的第一信誉度参数和所述第一超级节点的信誉意见权重，确定所述多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于所述第二设备的时效程度，确定所述各其它第二设备对于所述第二设备的第三信誉度参数；针对所述各其它第二设备，根据所述至少一轮同步更新中其它第二设备对于所述第二设备的所有时效程度和所述第二设备对应的所有第三信誉度参数，确定所述其它第二设备对于所述第二设备的累计信任度。
本发明还提供一种服务设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述设备信任度评价方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述设备信任度评价方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述设备信任度评价方法。
本发明提供的设备信任度评价方法、装置、服务设备及存储介质，通过获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对第一超级节点和第二超级节点进行至少一轮同步更新；在各轮同步更新的过程中，根据第一超级节点对于第二超级节点的第一信誉度参数和第一超级节点的信誉意见权重，确定多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于第二设备的时效程度，确定各其它第二设备对于第二设备的第三信誉度参数；针对各其它第二设备，根据至少一轮同步更新中其它第二设备对于第二设备的所有时效程度和第二设备对应的所有第三信誉度参数，确定其它第二设备对于第二设备的累计信任度。该方法在对多个超级节点进行相互同步更新的过程中，综合考虑了这多个超级节点各自的信誉度参数和信誉意见权重，确定各超级节点中各设备的信誉度参数，进而结合各设备的时效程度，确定各设备的累计信任度，整个过程涉及的相关数据具有多样性，使得最终确定的累计信任度是较为准确和可靠的。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是现有技术提供的联邦学习系统受到攻击者攻击的场景示意图；
图2是本发明提供的设备信任度评价方法的流程示意图；
图3是本发明提供的服务设备对多个超级节点进行同步更新的场景示意图；
图4是本发明提供的设备信任度评价装置的结构示意图；
图5是本发明提供的服务设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了更好地理解本发明实施例，首先对背景技术进行详细阐述：
随着大数据和人工智能的发展，数据安全受到广泛关注。联邦学习是一种解决隐私保护和数据共享之间矛盾的方法，设备可以在本地训练所需模型，仅共享模型参数的梯度信息，而不是原始数据，这种去中心化和隐私保护的方法在医疗保健、金融服务、物联网等领域具有广泛的应用前景。
联邦学习中的投毒攻击可能导致严重的安全和隐私问题。投毒攻击指的是隐藏在正常设备中的恶意设备（即攻击者）向联邦学习系统中输入虚假或恶意数据，以破坏联邦学习模型的训练过程和训练结果，导致联邦学习模型的训练结果出现偏差，降低了联邦学习系统的性能，且泄露设备隐私信息，使整个联邦学习系统的可信度降低。
示例性的，如图1所示，是现有技术提供的联邦学习系统受到攻击者攻击的场景示意图。其中，c1、c2、c3和c4表示正常设备，c5表示攻击者，△Wi（i=1,2,…,5）表示ci上传的失真梯度，△Wg表示服务设备下发的聚合后的梯度失真。从图1中可以看出，隐藏在正常设备中的攻击者将污染的数据，通过失真梯度（△W5）上传至服务设备，干扰联邦学习的过程，使联邦学习模型不能正常收敛。
由于正常设备中数据的异构性，传统的后门检测和防御机制难以抵御攻击者的投毒攻击，因此，本发明实施例考虑对设备进行信任度评价，确定较为准确和可靠的设备信任度评价结果，以便后续基于该设备信任度评价结果，筛选出潜在的攻击者。
现有的设备信任度评价方法考虑的设备相关数据较为单一，在一定程度上影响了设备信任度评价的准确性和可靠性。
为解决上述问题，本发明实施例提供一种设备信任度评价方法、装置、服务设备及存储介质，在对多个超级节点进行相互同步更新的过程中，综合考虑了这多个超级节点各自的信誉度参数和信誉意见权重，确定各超级节点中各设备的信誉度参数，进而结合各设备的时效程度，确定各设备的累计信任度，整个过程涉及的相关数据具有多样性，使得最终确定的累计信任度是较为准确和可靠的。
需要说明的是，本发明实施例涉及的执行主体可以是设备信任度评价装置，也可以是服务设备，可选的，该服务设备可以包括：计算机、移动终端及可穿戴设备等。
下面以服务设备为例对本发明实施例进行进一步地说明。
如图2所示，是本发明提供的设备信任度评价方法的流程示意图，可以包括：
201、获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对第一超级节点和第二超级节点进行至少一轮同步更新。
其中，第一超级节点用于表征聚合了对应多个第一设备的服务器，第二超级节点用于表征聚合了对应多个第二设备的服务器。
第一超级节点的数量为至少一个。
第一设备和第二设备均指的是用户设备，第一设备对应的分布数据和第二设备对应的分布数据不同。
同步更新过程指的是联邦学习过程中进行的模型聚合过程。通常，同步更新过程可以进行至少一轮，本发明实施例涉及至少一轮同步更新。
服务设备获取符合第一分布数据的多个第一设备和符合第二分布数据的多个第二设备，进而可确定多个第一设备对应的第一超级节点，以及多个第二设备对应的第二超级节点；接着，该服务设备对该第一超级节点和该第二超级节点进行至少一轮同步更新，以便后续确定各超级节点中各设备的累计信任度。
在一些实施例中，多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点是基于以下步骤得到的：服务设备对多个初始设备各自的分布数据进行聚类，得到多个设备簇，各设备簇包括至少一个初始设备；针对各设备簇，该服务设备将设备簇中符合第一全局分布的初始设备确定为第一设备，并将设备簇中符合第二全局分布的初始设备确定为第二设备；该服务设备根据多个第一设备，构建对应的第一超级节点，并根据多个第二设备，构建对应的第二超级节点。
其中，全局分布指的是在分布式环境中（如联邦学习）通过合理分布全局数据，以达到较优的执行效率。
服务设备可先获取多个初始设备各自的分布数据，再利用预设算法，基于所有分布数据，对多个初始设备进行聚类，得到多个设备簇，各设备簇中包括的初始设备可能存在相同的初始设备；针对各设备簇，该服务设备将设备簇中符合第一全局分布的初始设备确定为第一设备，并将设备簇中符合第二全局分布的初始设备确定为第二设备，该第一设备和该第二设备的数量均为多个；接着，该服务设备可根据多个第一设备，构建多个第一设备对应的第一超级节点，并根据多个第二设备，构建多个第二设备对应的第二超级节点。
其中，预设算法指的是用于聚类的算法，如K均值（K-means）算法。
需要说明的是，服务设备可以构建多个超级节点，此外，服务设备构建第一超级节点与该服务设备构建第二超级节点的时序不限。
在步骤201之前，该方法还可以包括：第一设备和第二设备在本地训练所需模型（如语音识别模型、图像分类模型等），可将训练好的模型加上噪声（如ε-差分隐私（Differential Privacy，DP）噪声）后上传至各自对应的超级节点，针对各超级节点，在超级节点内部进行模型同步更新（即内部同步更新）。
以个第一设备为例，这/>个第一设备对应的第一超级节点/>进行内部同步更新，可表示为：/>，其中，/>用于表征/>个第一设备中的第/>个第一设备；/>表示在当前轮次内部同步更新的过程中/>个第一设备中的多个第一设备被/>使用的小批次数据量之和，/>表示内部同步更新对应的最大轮次；/>表示第/>个第一设备被/>使用的小批次数据量；/>表示加上ε-DP噪声后的第/>个第一设备在本地训练好的模型；/>表示内部同步更新后的/>向服务设备上传的模型。
需要说明的是，上述步骤也适用于除第一超级节点以外的其它超级节点进行内部同步更新。
202、在各轮同步更新的过程中，根据第一超级节点对于第二超级节点的第一信誉度参数和第一超级节点的信誉意见权重，确定多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于第二设备的时效程度，确定各其它第二设备对于第二设备的第三信誉度参数。
其中，信誉度参数可以包括信任程度和不确定程度，可选的，信誉度参数还可以包括不信任程度，信任程度、不确定程度和不信任程度这三者之和为1。
针对各轮同步更新过程，服务设备可先获取第一超级节点对于第二超级节点的第一信誉度参数，以及该第一超级节点的信誉意见权重，进而根据该第一信誉度参数和该信誉意见权重，确定该第二超级节点对应的信誉度参数，并将该第二超级节点对应的信誉度参数确定为多个第二设备各自对应的第二信誉度参数，也即该第二超级节点中各第二设备对应的第二信誉度参数是相同的；针对多个第二设备中的任一第二设备，该服务设备可先确定所有第二设备中除该第二设备以外的其它第二设备，其它第二设备的数量为至少一个，然后，再根据该第二设备对应的第二信誉度参数，以及各其它第二设备的时效程度，确定各其它第二设备对于该第二设备的第三信誉度参数，以便后续确定各其它第二设备对于该第二设备的累计信任度。
在一些实施例中，服务设备根据第一超级节点对于第二超级节点的第一信誉度参数和第一超级节点的信誉意见权重，确定多个第二设备各自对应的第二信誉度参数，可以包括：服务设备确定第一超级节点对于第二超级节点的第一不确定程度和第一信任程度，并确定第一超级节点的信誉意见权重；该服务设备根据第一不确定程度和第一信任程度，确定第一超级节点对于第二超级节点的第一信誉度参数；该服务设备根据第一信誉度参数和第一超级节点的信誉意见权重，确定多个第二设备各自对应的第二信誉度参数。
可选的，第一信誉度参数还可以包括第一超级节点对于第二超级节点的第一不信任程度。
在确定多个第二设备各自对应的第二信誉度参数的过程中，服务设备确定第一超级节点对于第二超级节点的第一不确定程度和第一信任程度，进而可根据该第一不确定程度和该第一信任程度，确定第一超级节点对于第二超级节点的第一信誉度参数；同时，该服务设备确定第一超级节点的信誉意见权重；接着，该服务设备可根据该第一信誉度参数和该信誉意见权重，确定该第二超级节点的信誉度参数，进而确定该第二超级节点中多个第二设备各自对应的第二信誉度参数。
在一些实施例中，服务设备确定第一超级节点对于第二超级节点的第一不确定程度和第一信任程度，可以包括：服务设备根据第一超级节点对应的第一噪声标准差和第二超级节点对应的第二噪声标准差，确定第一超级节点对于第二超级节点的第一不确定程度；该服务设备确定第一超级节点对于第二超级节点的余弦相似度；该服务设备根据余弦相似度，确定第一超级节点对于第二超级节点的正向交互向量和负向交互向量；该服务设备根据第一不确定程度、正向交互向量和负向交互向量，确定第一超级节点对于第二超级节点的第一信任程度。
在确定第一超级节点对于第二超级节点的第一不确定程度和第一信任程度的过程中，服务设备可根据第一超级节点对应的第一噪声标准差和第二超级节点对应的第二噪声标准差，确定第一超级节点对于第二超级节点的第一不确定程度；接着，该服务设备确定第一超级节点对于第二超级节点的余弦相似度，基于该余弦相似度，可确定第一超级节点对于第二超级节点的正向交互向量和负向交互向量；然后，该服务设备可根据该第一不确定程度、该正向交互向量和该负向交互向量，确定第一超级节点对于第二超级节点的第一信任程度。
可选的，服务设备还可以根据第一不确定程度、正向交互向量和负向交互向量，确定第一超级节点对于第二超级节点的第一不信任程度。
示例性的，假设同步更新过程共有针对第/>轮同步更新过程，第一超级节点/>和第二超级节点/>的余弦相似度可表示为：，其中，/>表示第/>轮同步更新过程中/>向服务设备上传的模型；/>表示第/>轮同步更新过程中/>向服务设备上传的模型；/>表示余弦相似度函数。
在第轮同步更新过程中，/>对于/>的正向交互向量可表示为：，/>对于/>的负向交互向量可表示为：/>，其中，/>。
基于前文涉及的ε-DP噪声，噪声标准差可表示为：，其中，/>表示隐私预算；/>表示松弛项；/>表示临界数据集对应的敏感度，该临界数据集指的是任意两个相邻的数据集；/>表示第一预设常数；/>表示第二预设常数。示例性的，/>可以取2，可以取1.25。
对应的第一噪声标准差可用/>表示，/>对应的第二噪声标准差可用/>表示，和/>分别用于表征/>和/>中满足ε-DP的所加噪声的情况。此外，/>和/>的噪声分布可表示为：/>，其中，/>表示/>的噪声分布，/>表示/>的噪声分布，/>表示卷积操作。在/>下的噪声标准差可表示为：。
在第轮同步更新过程中，/>对于/>的第一不确定程度可表示为：，其中，/>表示/>中所添加的最小噪声标准差；/>表示/>中所添加的最大噪声标准差。/>对于/>的第一信任程度可表示为：，其中，/>表示第一预设系数，/>表示第二预设系数，/>和/>用于表征设备间正负交互作用对第一信任程度的影响比例，满足且/>。/>对于/>的第一不信任程度可表示为：。那么，/>对于/>的第一信誉度参数可用向量的形式表示：/>，其中，且/>。
在一些实施例中，服务设备确定第一超级节点的信誉意见权重，可以包括：服务设备确定第一超级节点对应的模型准确度、第一超级节点的类分布及所有超级节点对应的总体类分布；该服务设备根据模型准确度、类分布和总体类分布，确定第一超级节点的信誉意见权重。
其中，模型准确度指的是超级节点向服务设备上传的模型的准确度。
类分布指的是设备数据对应的数据类别分布。
总体类分布指的是所有设备数据对应的总体数据类别分布。
在确定第一超级节点的信誉意见权重的过程中，服务设备可先确定第一超级节点对应的模型准确度、第一超级节点的类分布及所有超级节点对应的总体类分布，进而确定第一超级节点的信誉意见权重。
示例性的，在第轮同步更新过程中，第一超级节点/>的信誉意见权重可表示为：，其中，/>表示/>的预设信任系数；/>表示/>对应的模型准确度；/>表示所有超级节点对应的总体类分布；/>表示/>的类分布；/>表示第三预设系数，/>。
从数据安全的角度，服务设备可利用和/>之间的距离（即）来检测/>中具有异常类别分布的攻击者；从模型安全的角度，服务设备可基于/>来为谎报类别分布的攻击者分配更低的权重。在/>越接近/>的情况下，/>越高，进而/>越大，说明/>的信誉意见越可信。
在一些实施例中，服务设备根据第二设备对应的第二信誉度参数和各其它第二设备对于第二设备的时效程度，确定各其它第二设备对于第二设备的第三信誉度参数，可以包括：针对各其它第二设备，在当前轮次同步更新的过程中，服务设备根据至少一轮同步更新对应的最大轮次和其它第二设备与第二设备之间的历史交互时间的时隙，生成其它第二设备对于第二设备的时效程度；该服务设备根据时效程度和第二设备在当前轮次同步更新下的第二信誉度参数，确定其它第二设备对于第二设备的第三信誉度参数。
在确定各其它第二设备对于第二设备的第三信誉度参数的过程中，针对各其它第二设备，服务设备可根据至少一轮同步更新对应的最大轮次，以及其它第二设备与该第二设备之间的历史交互时间的时隙，确定其它第二设备对于该第二设备的时效程度；接着，该服务设备可根据该时效程度和该第二设备在当前轮次同步更新下的第二信誉度参数，确定其它第二设备对于该第二设备的第三信誉度参数，即有多少个其它第二设备，就会确定多少个时效程度，进而确定多少个第三信誉度参数。
示例性的，在第轮同步更新过程中，/>对应的第二信誉度参数可表示为：，其中，/>表示/>对应的第二信任程度；/>表示/>对应的第二不信任程度；/>表示/>对应的第二不确定程度；/>表示所有超级节点中除/>以外的第一超级节点的集合，其中，第一超级节点的数量为至少一个；假设超级节点的数量为个，/>表示/>个第一超级节点中第/>个第一超级节点；/>表示/>的信誉意见权重；/>表示/>对于/>的信任程度；表示/>对于/>的不信任程度；/>表示/>对于/>的不确定程度。那么，/>对应的第二信誉度参数可用向量的形式表示：/>。
个第二设备对应第二超级节点/>，对于/>个第二设备中的第个第二设备（简称：第二设备/>），有/>，即/>，其中，/>表示在第/>轮同步更新过程中第二设备/>对应的第二信誉度参数；/>表示在第/>轮同步更新过程中第二设备/>对应的第二信任程度；/>表示在第/>轮同步更新过程中第二设备/>对应的第二不信任程度；/>表示在第/>轮同步更新过程中第二设备/>对应的第二不确定程度。
在至少一轮同步更新过程中，设备的信誉具有实时性的特点，也就是设备的信誉会随着时间的推移而变化，因此，需要考虑设备与设备之间历史信誉的影响。针对第二设备，/>中除第二设备/>以外的其它第二设备对于第二设备/>的时效程度可表示为：，其中，/>表示预设冷却系数；/>表示其它第二设备与第二设备/>之间的历史交互时间的时隙，且/>，/>表示至少一轮同步更新对应的最大轮次，在内部通信中/>，/>表示当前同步更新轮次。由上述时效程度的公式可知，/>越接近/>，第二设备/>的信誉度的时效程度越高，也就是其它第二设备与第二设备/>之间近期交互的信誉度的权重较大，历史交互的信誉度的权重更小。
进而，其它第二设备对于第二设备的第三信誉度参数可表示为：，其中，/>表示在第/>轮同步更新过程中第二设备/>对应的第二信任程度；/>表示在第/>轮同步更新过程中第二设备/>对应的第二不信任程度；/>表示在第/>轮同步更新过程中第二设备/>对应的第二不确定程度；/>表示在当前同步更新轮次（/>轮）内其它第二设备对于第二设备/>的第三信任程度；/>表示在/>轮内其它第二设备对于第二设备/>的第三不信任程度；/>表示在/>轮内其它第二设备对于第二设备/>的第三不确定程度。
203、针对各其它第二设备，根据至少一轮同步更新中其它第二设备对于第二设备的所有时效程度和第二设备对应的所有第三信誉度参数，确定其它第二设备对于第二设备的累计信任度。
其中，累计信任度即为本发明实施例确定的设备信任度评价结果。
在确定其它第二设备对于第二设备的累计信任度的过程中，针对各其它第二设备，服务设备可根据至少一轮同步更新中其它第二设备对于该第二设备的所有时效程度，以及该第二设备对应的所有第三信誉度参数，确定其它第二设备对于该第二设备的累计信任度。基于此，服务设备可确定较为准确和可靠的设备信任度评价结果，以便后续基于该设备信任度评价结果，筛选出潜在的攻击者。
在一些实施例中，服务设备根据至少一轮同步更新中其它第二设备对于第二设备的所有时效程度和第二设备对应的所有第三信誉度参数，确定其它第二设备对于第二设备的累计信任度，可以包括：在各轮同步更新的过程中，服务设备根据第一超级节点对于第二超级节点的第一信誉度参数，确定第一信任度；根据第一超级节点的信誉意见权重和第一信任度，确定第二信任度；该服务设备根据至少一轮同步更新中其它第二设备对于第二设备的所有时效程度和第二设备对应的所有第二信任度，确定其它第二设备对于第二设备的累计信任度。
在确定其它第二设备对于第二设备的累计信任度的过程中，针对各轮同步更新过程，服务设备可根据第一超级节点对于第二超级节点的第一信誉度参数，确定第一信任度；接着，该服务设备可根据第一超级节点的信誉意见权重和第一信任度，确定第二信任度，即有多少轮同步更新，就会获取多少个第一信任度，进而获取多少个第二信任度；然后，该服务设备可根据至少一轮同步更新中其它第二设备对于第二设备的所有时效程度，以及第二设备对应的所有第二信任度，确定其它第二设备对于第二设备的累计信任度。
示例性的，在第轮同步更新过程中，第一超级节点/>对于第二超级节点/>的第一信誉度参数为：/>，服务设备可根据/>和，确定/>对于/>的第一信任度，该第一信任度可表示为：，其中，/>表示第四预设系数。
在第轮同步更新过程中，/>对应的所有第二信任度可表示为：，其中，/>表示所有超级节点中除/>以外的第一超级节点的集合，其中，第一超级节点的数量为至少一个；假设超级节点的数量为/>个，表示/>个第一超级节点中第/>个第一超级节点；表示/>的信誉意见权重；/>表示/>对于/>的第一信任度。/>是由所有超级节点中除/>以外的各第一超级节点对于/>的第二信任度进行加权求和得到的。因此，对于中的第二设备/>，第二设备/>对应的所有第二信任度可表示为：/>，且/>，是由/>中除第二设备/>以外的各其它第二设备对于第二设备/>的第二信任度进行加权求和得到的。
在当前同步更新轮次（轮）内，对于/>中除第二设备/>以外的其它第二设备，其它第二设备对于第二设备/>的累计信任度可表示为：/>，其中，/>表示在第/>轮同步更新过程中其它第二设备对于第二设备/>的时效程度；表示在第/>轮同步更新过程中第二设备/>对应的所有第二信任度。
在本发明实施例中，获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对第一超级节点和第二超级节点进行至少一轮同步更新；在各轮同步更新的过程中，根据第一超级节点对于第二超级节点的第一信誉度参数和第一超级节点的信誉意见权重，确定多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于第二设备的时效程度，确定各其它第二设备对于第二设备的第三信誉度参数；针对各其它第二设备，根据至少一轮同步更新中其它第二设备对于第二设备的所有时效程度和第二设备对应的所有第三信誉度参数，确定其它第二设备对于第二设备的累计信任度。该方法在对多个超级节点进行相互同步更新的过程中，综合考虑了这多个超级节点各自的信誉度参数和信誉意见权重，确定各超级节点中各设备的信誉度参数，进而结合各设备的时效程度，确定各设备的累计信任度，整个过程涉及的相关数据具有多样性，使得最终确定的累计信任度是较为准确和可靠的。
结合以下示例对本发明实施例进一步阐述：
示例性的，如图3所示，是本发明提供的服务设备对多个超级节点进行同步更新的场景示意图。从图3中可以看出，服务设备将多个初始设备各自的分布数据进行聚类，得到多个设备簇（），各设备簇包括至少一个初始设备，将各设备簇中符合第一全局分布的初始设备确定为第一设备，并将各设备簇中符合第二全局分布的初始设备确定为第二设备；该服务设备根据/>个第一设备，构建对应的第一超级节点/>，并根据/>个第二设备，构建对应的第二超级节点/>；重复上述步骤，该服务设备可以构建多个超级节点，即/>个超级节点，此外，各超级节点内部可以进行同步更新；接着，该服务设备对/>个超级节点进行同步更新。
下面对本发明提供的设备信任度评价装置进行描述，下文描述的设备信任度评价装置与上文描述的设备信任度评价方法可相互对应参照。
如图4所示，是本发明提供的设备信任度评价装置的结构示意图，可以包括：
获取模块401，用于获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对该第一超级节点和该第二超级节点进行至少一轮同步更新；其中，该第一超级节点用于表征聚合了对应多个第一设备的服务器，该第二超级节点用于表征聚合了对应多个第二设备的服务器；
处理模块402，用于在各轮同步更新的过程中，根据该第一超级节点对于该第二超级节点的第一信誉度参数和该第一超级节点的信誉意见权重，确定该多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于该第二设备的时效程度，确定该各其它第二设备对于该第二设备的第三信誉度参数；针对该各其它第二设备，根据该至少一轮同步更新中其它第二设备对于该第二设备的所有时效程度和该第二设备对应的所有第三信誉度参数，确定该其它第二设备对于该第二设备的累计信任度。
可选的，处理模块402，具体用于确定该第一超级节点对于该第二超级节点的第一不确定程度和第一信任程度，并确定该第一超级节点的信誉意见权重；根据该第一不确定程度和该第一信任程度，确定该第一超级节点对于该第二超级节点的第一信誉度参数；根据该第一信誉度参数和该第一超级节点的信誉意见权重，确定该多个第二设备各自对应的第二信誉度参数。
可选的，处理模块402，具体用于根据该第一超级节点对应的第一噪声标准差和该第二超级节点对应的第二噪声标准差，确定该第一超级节点对于该第二超级节点的第一不确定程度；确定该第一超级节点对于该第二超级节点的余弦相似度；根据该余弦相似度，确定该第一超级节点对于该第二超级节点的正向交互向量和负向交互向量；根据该第一不确定程度、该正向交互向量和该负向交互向量，确定该第一超级节点对于该第二超级节点的第一信任程度。
可选的，处理模块402，具体用于确定该第一超级节点对应的模型准确度、该第一超级节点的类分布及所有超级节点对应的总体类分布；根据该模型准确度、该类分布和该总体类分布，确定该第一超级节点的信誉意见权重。
可选的，处理模块402，具体用于针对该各其它第二设备，在当前轮次同步更新的过程中，根据该至少一轮同步更新对应的最大轮次和其它第二设备与该第二设备之间的历史交互时间的时隙，生成该其它第二设备对于该第二设备的时效程度；根据该时效程度和该第二设备在该当前轮次同步更新下的第二信誉度参数，确定该其它第二设备对于该第二设备的第三信誉度参数。
可选的，处理模块402，具体用于在该各轮同步更新的过程中，根据该第一超级节点对于该第二超级节点的第一信誉度参数，确定第一信任度；根据该第一超级节点的信誉意见权重和该第一信任度，确定第二信任度；根据该至少一轮同步更新中该其它第二设备对于该第二设备的所有时效程度和该第二设备对应的所有第二信任度，确定该其它第二设备对于该第二设备的累计信任度。
可选的，该多个第一设备对应的第一超级节点和该多个第二设备对应的第二超级节点是基于以下步骤得到的：对多个初始设备各自的分布数据进行聚类，得到多个设备簇，各设备簇包括至少一个初始设备；针对各设备簇，将该设备簇中符合第一全局分布的初始设备确定为第一设备，并将该设备簇中符合第二全局分布的初始设备确定为第二设备；根据多个第一设备，构建对应的第一超级节点，并根据多个第二设备，构建对应的第二超级节点。
如图5所示，是本发明提供的服务设备的结构示意图，该服务设备可以包括：处理器（processor）510、通信接口（Communications Interface）520、存储器（memory）530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行设备信任度评价方法，该方法包括：获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对该第一超级节点和该第二超级节点进行至少一轮同步更新；在各轮同步更新的过程中，根据该第一超级节点对于该第二超级节点的第一信誉度参数和该第一超级节点的信誉意见权重，确定该多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于该第二设备的时效程度，确定该各其它第二设备对于该第二设备的第三信誉度参数；针对该各其它第二设备，根据该至少一轮同步更新中其它第二设备对于该第二设备的所有时效程度和该第二设备对应的所有第三信誉度参数，确定该其它第二设备对于该第二设备的累计信任度。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的设备信任度评价方法，该方法包括：获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对该第一超级节点和该第二超级节点进行至少一轮同步更新；在各轮同步更新的过程中，根据该第一超级节点对于该第二超级节点的第一信誉度参数和该第一超级节点的信誉意见权重，确定该多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于该第二设备的时效程度，确定该各其它第二设备对于该第二设备的第三信誉度参数；针对该各其它第二设备，根据该至少一轮同步更新中其它第二设备对于该第二设备的所有时效程度和该第二设备对应的所有第三信誉度参数，确定该其它第二设备对于该第二设备的累计信任度。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的设备信任度评价方法，该方法包括：获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对该第一超级节点和该第二超级节点进行至少一轮同步更新；在各轮同步更新的过程中，根据该第一超级节点对于该第二超级节点的第一信誉度参数和该第一超级节点的信誉意见权重，确定该多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于该第二设备的时效程度，确定该各其它第二设备对于该第二设备的第三信誉度参数；针对该各其它第二设备，根据该至少一轮同步更新中其它第二设备对于该第二设备的所有时效程度和该第二设备对应的所有第三信誉度参数，确定该其它第二设备对于该第二设备的累计信任度。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种设备信任度评价方法，其特征在于，包括：
获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对所述第一超级节点和所述第二超级节点进行至少一轮同步更新；其中，所述第一超级节点用于表征聚合了对应多个第一设备的服务器，所述第二超级节点用于表征聚合了对应多个第二设备的服务器；
在各轮同步更新的过程中，根据所述第一超级节点对于所述第二超级节点的第一信誉度参数和所述第一超级节点的信誉意见权重，确定所述多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于所述第二设备的时效程度，确定所述各其它第二设备对于所述第二设备的第三信誉度参数；
针对所述各其它第二设备，根据所述至少一轮同步更新中其它第二设备对于所述第二设备的所有时效程度和所述第二设备对应的所有第三信誉度参数，确定所述其它第二设备对于所述第二设备的累计信任度；
其中，所述第一超级节点的信誉意见权重的确定过程为：确定所述第一超级节点对应的模型准确度、所述第一超级节点的类分布及所有超级节点对应的总体类分布；根据所述模型准确度、所述类分布和所述总体类分布，确定所述第一超级节点的信誉意见权重；
所述模型准确度指的是超级节点向服务设备上传的模型的准确度；所述类分布指的是设备数据对应的数据类别分布；所述总体类分布指的是所有设备数据对应的总体数据类别分布；
所述第一超级节点的信誉意见权重可表示为：，其中，/>表示所述第一超级节点；/>用于表征在/>轮同步更新过程中的第轮同步更新过程；/>表示所述第一超级节点的预设信任系数；/>表示所述模型准确度；/>表示所述总体类分布；/>表示所述类分布；/>表示第三预设系数，/>。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一超级节点对于所述第二超级节点的第一信誉度参数和所述第一超级节点的信誉意见权重，确定所述多个第二设备各自对应的第二信誉度参数，包括：
确定所述第一超级节点对于所述第二超级节点的第一不确定程度和第一信任程度，并确定所述第一超级节点的信誉意见权重；
根据所述第一不确定程度和所述第一信任程度，确定所述第一超级节点对于所述第二超级节点的第一信誉度参数；
根据所述第一信誉度参数和所述第一超级节点的信誉意见权重，确定所述多个第二设备各自对应的第二信誉度参数。
3.根据权利要求2所述的方法，其特征在于，所述确定所述第一超级节点对于所述第二超级节点的第一不确定程度和第一信任程度，包括：
根据所述第一超级节点对应的第一噪声标准差和所述第二超级节点对应的第二噪声标准差，确定所述第一超级节点对于所述第二超级节点的第一不确定程度；
确定所述第一超级节点对于所述第二超级节点的余弦相似度；
根据所述余弦相似度，确定所述第一超级节点对于所述第二超级节点的正向交互向量和负向交互向量；
根据所述第一不确定程度、所述正向交互向量和所述负向交互向量，确定所述第一超级节点对于所述第二超级节点的第一信任程度。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据第二设备对应的第二信誉度参数和各其它第二设备对于所述第二设备的时效程度，确定所述各其它第二设备对于所述第二设备的第三信誉度参数，包括：
针对所述各其它第二设备，在当前轮次同步更新的过程中，根据所述至少一轮同步更新对应的最大轮次和其它第二设备与所述第二设备之间的历史交互时间的时隙，生成所述其它第二设备对于所述第二设备的时效程度；
根据所述时效程度和所述第二设备在所述当前轮次同步更新下的第二信誉度参数，确定所述其它第二设备对于所述第二设备的第三信誉度参数。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述至少一轮同步更新中其它第二设备对于所述第二设备的所有时效程度和所述第二设备对应的所有第三信誉度参数，确定所述其它第二设备对于所述第二设备的累计信任度，包括：
在所述各轮同步更新的过程中，根据所述第一超级节点对于所述第二超级节点的第一信誉度参数，确定第一信任度；根据所述第一超级节点的信誉意见权重和所述第一信任度，确定第二信任度；
根据所述至少一轮同步更新中所述其它第二设备对于所述第二设备的所有时效程度和所述第二设备对应的所有第二信任度，确定所述其它第二设备对于所述第二设备的累计信任度。
6.根据权利要求1所述的方法，其特征在于，所述多个第一设备对应的第一超级节点和所述多个第二设备对应的第二超级节点是基于以下步骤得到的：
对多个初始设备各自的分布数据进行聚类，得到多个设备簇，各设备簇包括至少一个初始设备；
针对各设备簇，将所述设备簇中符合第一全局分布的初始设备确定为第一设备，并将所述设备簇中符合第二全局分布的初始设备确定为第二设备；
根据多个第一设备，构建对应的第一超级节点，并根据多个第二设备，构建对应的第二超级节点。
7.一种设备信任度评价装置，其特征在于，包括：
获取模块，用于获取多个第一设备对应的第一超级节点和多个第二设备对应的第二超级节点，并对所述第一超级节点和所述第二超级节点进行至少一轮同步更新；其中，所述第一超级节点用于表征聚合了对应多个第一设备的服务器，所述第二超级节点用于表征聚合了对应多个第二设备的服务器；
处理模块，用于在各轮同步更新的过程中，根据所述第一超级节点对于所述第二超级节点的第一信誉度参数和所述第一超级节点的信誉意见权重，确定所述多个第二设备各自对应的第二信誉度参数；针对各第二设备，根据第二设备对应的第二信誉度参数和各其它第二设备对于所述第二设备的时效程度，确定所述各其它第二设备对于所述第二设备的第三信誉度参数；针对所述各其它第二设备，根据所述至少一轮同步更新中其它第二设备对于所述第二设备的所有时效程度和所述第二设备对应的所有第三信誉度参数，确定所述其它第二设备对于所述第二设备的累计信任度；
其中，所述第一超级节点的信誉意见权重的确定过程为：确定所述第一超级节点对应的模型准确度、所述第一超级节点的类分布及所有超级节点对应的总体类分布；根据所述模型准确度、所述类分布和所述总体类分布，确定所述第一超级节点的信誉意见权重；
所述模型准确度指的是超级节点向服务设备上传的模型的准确度；所述类分布指的是设备数据对应的数据类别分布；所述总体类分布指的是所有设备数据对应的总体数据类别分布；
所述第一超级节点的信誉意见权重可表示为：，其中，/>表示所述第一超级节点；/>用于表征在/>轮同步更新过程中的第轮同步更新过程；/>表示所述第一超级节点的预设信任系数；/>表示所述模型准确度；/>表示所述总体类分布；/>表示所述类分布；/>表示第三预设系数，/>。
8.一种服务设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述设备信任度评价方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述设备信任度评价方法。
CN202311426265.3A 2023-10-31 2023-10-31 设备信任度评价方法、装置、服务设备及存储介质 Active CN117150321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311426265.3A CN117150321B (zh) 2023-10-31 2023-10-31 设备信任度评价方法、装置、服务设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311426265.3A CN117150321B (zh) 2023-10-31 2023-10-31 设备信任度评价方法、装置、服务设备及存储介质

Publications (2)

Publication Number Publication Date
CN117150321A CN117150321A (zh) 2023-12-01
CN117150321B true CN117150321B (zh) 2024-01-30

Family

ID=88912497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311426265.3A Active CN117150321B (zh) 2023-10-31 2023-10-31 设备信任度评价方法、装置、服务设备及存储介质

Country Status (1)

Country Link
CN (1) CN117150321B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465626A (zh) * 2020-11-24 2021-03-09 平安科技（深圳）有限公司 基于客户端分类聚合的联合风险评估方法及相关设备
CN114374969A (zh) * 2021-12-16 2022-04-19 国网河北省电力有限公司信息通信分公司 一种电力物联网环境下的信任评估方法
CN114578847A (zh) * 2021-12-09 2022-06-03 上海大学 基于自动驾驶车联网络的无人机协同数据验证系统及方法
CN116233177A (zh) * 2022-12-29 2023-06-06 山东省计算中心（国家超级计算济南中心） 基于区块链和动态信誉的车联网数据安全共享方法及系统
CN116582568A (zh) * 2023-05-17 2023-08-11 郑州大学 工业物联网中时效性感知的联邦学习参与设备激励方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10887306B2 (en) * 2017-05-11 2021-01-05 International Business Machines Corporation Authenticating an unknown device based on relationships with other devices in a group of devices
CN108848184B (zh) * 2018-06-29 2020-08-28 北京金山安全软件有限公司 一种基于信任机制的区块链节点同步方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465626A (zh) * 2020-11-24 2021-03-09 平安科技（深圳）有限公司 基于客户端分类聚合的联合风险评估方法及相关设备
CN114578847A (zh) * 2021-12-09 2022-06-03 上海大学 基于自动驾驶车联网络的无人机协同数据验证系统及方法
CN114374969A (zh) * 2021-12-16 2022-04-19 国网河北省电力有限公司信息通信分公司 一种电力物联网环境下的信任评估方法
CN116233177A (zh) * 2022-12-29 2023-06-06 山东省计算中心（国家超级计算济南中心） 基于区块链和动态信誉的车联网数据安全共享方法及系统
CN116582568A (zh) * 2023-05-17 2023-08-11 郑州大学 工业物联网中时效性感知的联邦学习参与设备激励方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A Multi-Shuffler Framework to Establish Mutual Confidence for Secure Federated Learning;Zan Zhou 等;《IEEE Transactions on Dependable and Secure Computing》;第20卷(第5期);第4230-4244页 *
Cohort-based Federated Learning Credit Evaluation Method in the Metaverse;Hongjing Li 等;《Proceedings of the 2023 7th International Conference on High Performance Compilation, Computing and Communications》;第1–7页 *
Combining structured node content and topology information for networked graph clustering;Ting Guo 等;《ACM Transactions on Knowledge Discovery from Data》;第11卷(第3期);第1–29页 *
Felicitas: Federated Learning in Distributed Cross Device Collaborative Frameworks;Qi Zhang 等;《Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining》;第4502–4509页 *
P2P电子商务中的可信计算研究;史瑞芳;《电脑开发与应用》;第74-76页 *
Supply Chain Credit Evaluation Mechanism Integrating Federated Learning and Blockchain;Qi Ma 等;《Proceedings of the 11th International Conference on Computer Engineering and Networks》;第1471–1480页 *
基于信息熵的多源电力物联终端设备信任度评价方法;翟峰 等;《中国电力》;第55卷(第5期);第158-165页 *

Also Published As

Publication number Publication date
CN117150321A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
Tuor et al. Overcoming noisy and irrelevant data in federated learning
US11715044B2 (en) Methods and systems for horizontal federated learning using non-IID data
Aïvodji et al. Gamin: An adversarial approach to black-box model inversion
CN112906903A (zh) 网络安全风险预测方法、装置、存储介质及计算机设备
Wink et al. An approach for peer-to-peer federated learning
Liu et al. Keep your data locally: Federated-learning-based data privacy preservation in edge computing
CN110798467B (zh) 目标对象识别方法、装置、计算机设备及存储介质
CN114417427B (zh) 一种面向深度学习的数据敏感属性脱敏系统及方法
CN112214775A (zh) 对图数据的注入式攻击方法、装置、介质及电子设备
Gupta et al. Learner’s dilemma: IoT devices training strategies in collaborative deep learning
Triastcyn et al. Federated generative privacy
Xiao et al. Network security situation prediction method based on MEA-BP
CN114021188A (zh) 一种联邦学习协议交互安全验证方法、装置及电子设备
CN115422537A (zh) 一种抵御联邦学习标签翻转攻击的方法
CN114548300B (zh) 解释业务处理模型的业务处理结果的方法和装置
CN117150321B (zh) 设备信任度评价方法、装置、服务设备及存储介质
WO2020093817A1 (zh) 一种核身方法及装置
CN116232694A (zh) 轻量级网络入侵检测方法、装置、电子设备及存储介质
Hatamizadeh et al. Towards understanding the risks of gradient inversion in federated learning
CN115758337A (zh) 基于时序图卷积网络的后门实时监测方法、电子设备、介质
CN116192424A (zh) 一种在联邦学习场景下针对全局数据分布进行攻击的方法
CN115146788A (zh) 分布式机器学习模型的训练方法、装置、电设备存储介质
US11551317B2 (en) Property valuation model and visualization
Hu et al. Source Inference Attacks: Beyond Membership Inference Attacks in Federated Learning
CN112231571A (zh) 资讯数据的处理方法、装置、设备及存储介质

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