利索能及
我要发布
收藏
专利号: 201910872625X
申请人: 济南大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-08-06
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种联邦学习训练数据隐私性增强方法,其特征在于,

第一服务器生成公共参数和主密钥,将所述公共参数发送给第二服务器;参与联邦学习的多个客户端均从第二服务器获取所述公共参数,并基于所述公共参数生成各自的公钥和私钥对;所述多个客户端进行联邦学习的过程如下:(1)各客户端基于本地数据集训练本地模型,将得到的模型参数采用各自的公钥进行加密,并将加密模型参数与相应公钥发送到第二服务器;

(2)第二服务器将加密模型参数与相应公钥发送给第一服务器;

(3)第一服务器基于主密钥对各加密模型参数进行解密,通过加权平均得到全局模型参数,分别采用各个客户端的公钥加密所述全局模型参数,并发送给第二服务器;

(4)第二服务器将加密的全局模型参数发送至各个客户端;

(5)客户端基于各自的私钥解密得到全局模型参数,根据全局模型参数改进本地模型,将得到的新的模型参数采用各自的公钥进行加密,并将加密模型参数与相应公钥发送到第二服务器,转入步骤(2),直至各客户端本地模型收敛。

2.如权利要求1所述的一种联邦学习训练数据隐私性增强方法,其特征在于,所述步骤(2)中,第二服务器对各加密模型参数进行盲化处理后,将盲化的加密模型参数与相应公钥发送给第一服务器。

3.如权利要求2所述的一种联邦学习训练数据隐私性增强方法,其特征在于,第二服务器进行盲化处理包括:依次为每个客户端相应的模型参数生成随机数,各随机数服从Zn下的均匀分布;

将各随机数依次使用相应客户端的公钥加密;

将加密后的随机数与对应的模型参数依次进行加法同态运算,得到盲化的加密模型参数。

4.如权利要求1所述的一种联邦学习训练数据隐私性增强方法,其特征在于,所述步骤(3)中通过第一服务器通过联邦平均算法进行加权平均。

5.如权利要求3所述的一种联邦学习训练数据隐私性增强方法,其特征在于,所述步骤(4)中第二服务器移除全局模型参数的盲化信息后,将加密的全局模型参数发送至各个客户端。

6.如权利要求5所述的一种联邦学习训练数据隐私性增强方法,其特征在于,第二服务器通过加法同态方法移除全局模型参数的盲化信息。

7.一种联邦学习训练数据隐私性增强系统,其特征在于,包括第一服务器、第二服务器和参与联邦学习的多个客户端,其中,第一服务器,生成公共参数和主密钥,将所述公共参数发送给第二服务器;若接收到加密模型参数与相应公钥,基于主密钥对各盲化的加密模型参数进行解密,通过加权平均得到全局模型参数,分别采用各个客户端的公钥加密所述全局模型参数,并发送给第二服务器;

第二服务器,接收并存储公共参数;接收加密模型参数与相应公钥,发送给第一服务器;接收到经加密的全局模型参数,发送至各个客户端;

多个客户端,从第二服务器获取所述公共参数,并基于所述公共参数生成各自的公钥和私钥对;进行联邦学习时,各客户端基于本地数据集训练本地模型,将得到的模型参数采用各自的公钥进行加密,并将加密模型参数与相应公钥发送到第二服务器;接收到加密的全局模型参数后,基于各自的私钥解密得到全局模型参数,根据全局模型参数改进本地模型,将得到的新的模型参数采用各自的公钥进行加密,并将加密模型参数与相应公钥发送到第二服务器,进入下一次迭代,直至各客户端本地模型收敛。

8.一种服务器,应用于联邦学习,其特征在于,经由另一服务器与参与联邦学习的多个客户端通信,被配置为:生成公共参数和主密钥,并将所述公共参数发送给另一服务器,供多个客户端下载;其中,所述公共参数用于各客户端生成各自的公钥;

自另一服务器接收加密模型参数与相应公钥,其中,所述加密模型参数是各客户端基于各自的公钥对训练得到的本地模型参数进行加密得到的;

基于主密钥对加密模型参数进行解密,通过加权平均得到全局模型参数,分别采用各个客户端的公钥加密所述全局模型参数,并经另一服务器发送至各客户端。

9.一种服务器,应用于联邦学习,其特征在于,用于另一服务器与参与联邦学习的多个客户端之间的通信,被配置为:接收并存储公共参数供所述多个客户端下载,所述公共参数用于各客户端生成各自的公钥;

接收各客户端发送的加密模型参数与相应公钥,其中,所述加密模型参数是各客户端基于各自的公钥对训练得到的本地模型参数进行加密得到的对各加密模型参数进行盲化处理,将盲化的加密模型参数与相应公钥发送给另一服务器;

自另一服务器接收经各客户端相应公钥加密的盲化全局模型参数,移除盲化信息,将加密的全局模型参数发送至各个客户端。

10.一种客户端,应用于联邦学习,其特征在于,被配置为:

自服务器获取公共参数,并生成各自的公钥;

基于本地数据集训练本地模型,将得到的模型参数采用各自的公钥进行加密,并将加密模型参数与相应公钥发送到服务器;

接收加密的全局模型参数后,基于各自的私钥解密得到全局模型参数,根据全局模型参数改进本地模型,其中,所述全局模型参数为服务器基于多个客户端发送的模型参数经加权平均得到的。