CN114448601B 基于端边云架构的分布式联邦学习的安全防御方法及应用 （南京航空航天大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114448601B(45)授权公告日2025.07.08

(21)申请号202210199495.X

(22)申请日2022.03.01

(65)同一申请的已公布的文献号申请公布号CN114448601A

(43)申请公布日2022.05.06

(73)专利权人南京航空航天大学

地址211100江苏省南京市江宁区将军大

道29号

(72)发明人陈兵陈琦胡峰

(74)专利代理机构苏州三英知识产权代理有限公司32412

专利代理师任骁东

(51)Int.CI.

H04L9/00(2022.01)

H04L9/32(2006.01)

(56)对比文件

CN112181666A,2021.01.05CN112261137A,2021.01.22

CN112181971A,2021.01.05审查员李鑫

权利要求书2页说明书7页附图4页

(54)发明名称

基于端边云架构的分布式联邦学习的安全防御方法及应用

(57)摘要

CN114448601B本发明公开了一种基于端边云架构的分布式联邦学习的安全防御方法及应用，该方法包括以下步骤：边缘服务器接收端设备上传的更新的本地模型，其中，所述更新的本地模型为端设备基于私有数据对云服务器下发的全局模型训练所得；所述边缘服务器对所述更新的本地模型进行过滤，以获得安全本地模型；以及所述边缘服务器将过滤后的安全本地模型进行聚合，并将生成的边缘聚合模型上传至所述云服务器。该方法能够通过模型过滤算法将恶意模型排除，聚合成

CN114448601B

边缘服务器接收端设备上传的更新的本地模型

边缘服务器接收端设备上传的更新的本地模型

边缘服务器对更新的本地模型进行过滤

边缘服务器将过滤后的安全本地模型进行聚合，并将生成的边缘聚合模型上传至所述云服务器

S101

S102

S103

CN114448601B权利要求书

CN114448601B

2

1.一种基于端边云架构的分布式联邦学习的安全防御方法，其特征在于，所述方法包括：

边缘服务器接收端设备上传的更新的本地模型，其中，所述更新的本地模型为端设备基于私有数据对云服务器下发的全局模型训练所得；

所述边缘服务器对所述更新的本地模型进行过滤，以获得安全本地模型，其包括：所述边缘服务器对所有本地模型进行初步聚合，生成聚合模型；计算所述本地模型与所述聚合模型的余弦相似度；以及根据所述余弦相似度的分布，将与最大余弦相似度差值大于自适应阈值的余弦相似度所对应的模型参数删除；

计算所述本地模型与所述聚合模型的余弦相似度，包括：将神经网络模型的卷积层和全连接层所对应的权重和偏置矩阵转化为一维向量，并将其串联形成包含所有参数的一维向量；以及根据所述本地模型与所述聚合模型的参数所对应的一维向量计算余弦相似度；以及

所述边缘服务器将过滤后的安全本地模型进行聚合，并将生成的边缘聚合模型上传至所述云服务器。

2.如权利要求1所述的基于端边云架构的分布式联邦学习的安全防御方法，其特征在于，所述方法还包括：

将所述边缘聚合模型的参数作为消息，并根据schnorr签名算法对其进行签名，将所述签名和所述消息上传至所述云服务器。

3.一种基于端边云架构的分布式联邦学习的安全防御装置，其特征在于，所述装置包括：

接收模块，用于供边缘服务器接收端设备上传的更新的本地模型，其中，所述更新的本地模型为端设备基于私有数据对云服务器下发的全局模型训练所得；

过滤模块，用于供所述边缘服务器对所述更新的本地模型进行过滤，以获得安全本地模型，其包括：所述边缘服务器对所有本地模型进行初步聚合，生成聚合模型；计算所述本地模型与所述聚合模型的余弦相似度；以及根据所述余弦相似度的分布，将与最大余弦相似度差值大于自适应阈值的余弦相似度所对应的模型参数删除；

计算所述本地模型与所述聚合模型的余弦相似度，包括：将神经网络模型的卷积层和全连接层所对应的权重和偏置矩阵转化为一维向量，并将其串联形成包含所有参数的一维向量；以及根据所述本地模型与所述聚合模型的参数所对应的一维向量计算余弦相似度；以及

聚合模块，用于供所述边缘服务器将过滤后的安全本地模型进行聚合，并将生成的边缘聚合模型上传至所述云服务器。

4.一种电子设备，其特征在于，包括：

至少一个处理器；以及

存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至2