本技术方案致力于提升联邦学习中的隐私保护,属于联邦学习技术领域。针对现有联邦学习方法中拜占庭攻击对模型训练的影响及客户端隐私泄露风险,本技术提出了一种解决方案,旨在增强模型训练的安全性和客户端数据的隐私性。
背景技术
在联邦学习中,模型的训练往往需要大量的数据基础,通过共享数据或共享模型参数可以实现联合模型训练,但是,如果客户端和服务器之间以明文的方式进行参数的传递,则可能会使得客户端的信息泄露,往往存在隐私泄露的风险,同时分布式系统中,拜占庭攻击始终是无法避免的安全难题,拜占庭攻击可能是客户端在传递参数的过程中出现错误、传输故障、恶意用户节点主动共享错误信息以及搭便车的客户端在提交参数时使用上一轮的训练结果导致,最终影响模型的收敛方向,使模型训练失败。
综上所述,为了解决拜占庭攻击对模型训练存在影响以及客户端存在隐私泄露风险的问题,提出一种具有隐私保护的鲁棒联邦学习方法是十分必要的。
实现思路