本发明属于信息安全技术领域，具体涉及一种基于联邦学习的双重模型替换后门攻击方法及系统；该方法包括：构建TrojanGan模型并进行优化训练，得到预训练的TrojanGan编码器；根据图像中毒攻击方法，采用TrojanGan编码器构建预训练后门模型；根据预训练后门模型进行联邦学习训练，得到多目标后门攻击聚合模型；采用多目标后门攻击聚合模型对多目标后门攻击图像进行分类，得到攻击结果；本发明可提高了模型中多个后门的注入效率与攻击的成功率，同时保持联邦学习聚合模型的正常识别性能。
📄 2023111224819
📂 G06N3_0475
👤 重庆邮电大学
📅 2023-09-01
本发明公开了一种实现隐私保护与恶意客户端检测的两阶段聚合联邦学习方法，属于联邦学习安全领域，解决现有联邦学习技术中隐私保护与恶意客户端检测相互割裂导致的安全‑隐私二元对立问题。本发明通过随机分组客户端；客户端使用同态加密模型更新并上传；服务器进行组内密文聚合和解密获得小组聚合结果；基于小组历史更新轨迹计算恶意评分并筛选良性小组；对良性小组聚合结果加权平均更新全局模型。本发明实现了在保护客户端隐私的同时有效检测恶意行为，提升联邦学习系统的安全性和鲁棒性。
📄 2025118971075
📂 H04L9_00
👤 烟台大学
📅 2025-12-16
本发明涉及一种基于响应时间实时均衡的联邦学习高效通信方法，属于联邦机器学习领域。首先，在预先设定的簇迭代训练中，每个响应的终端设备分别根据自身的本地模型计算时间，均衡的划分至预先设定的计算簇中，构建基于“云服务器‑Head节点‑终端设备”一体的分层通信架构，从通信结构上间接增加了低响应设备的模型训练参与度。然后，使响应快的设备能够帮助响应慢的设备进行训练。本发明通过对异构的计算设备动态分组，自适应构建分层的逻辑通信架构，并在计算簇内设计加权的协作训练机制，间接提高了低响应设备的模型训练参与度，从本质上解决了联邦机器学习技术中，由于资源异构所导致的通信等待延时问题，提高了训练模型的精确度。
📄 202210975053X
📂 G06N20_00
👤 重庆邮电大学
📅 2022-08-15
本发明公开了一种基于联邦模型蒸馏的混合隐私保护图像分类方法，其步骤包括：1客户端预训练本地神经网络；2中心服务器获取公共数据集并随机采样，然后下发至客户端；3客户端对下发数据进行预测；4客户端对预测结果进行范数裁剪并随机拆分为预测分片，按照编号发送给对应客户端；5客户端聚合预测分片得到混淆预测并上传中心服务器；6中心服务器聚合混淆预测并添加噪声后得到全局预测，然后下发至客户端；7客户端利用全局预测蒸馏训练本地神经网络，然后再复习训练本地神经网络；8客户端利用本地神经网络进行图像分类。本发明基于联邦模型蒸馏算法，利用秘密共享思想和差分隐私技术，实现了隐私保护的图像分类。
📄 2022104810801
📂 G06V10_764
👤 安徽大学
📅 2022-05-05
本发明公开了一种无线物联网环境下基于联邦学习的用户调度和资源分配方法，无线物联网环境下联邦学习网络包括1个边缘服务器和K个用户组成；无线通信采用正交频分多址(OFDMA)方案，有N个正交子信道。本方法通过减少联邦学习每一轮中消耗得时延和减少总迭代轮数两个方面来进行用户调度。最后将最小化联邦学习时间和能量开销问题，分解为3个子问题。本方法在满足用户需求的前提下，合理的分配了基站的发展功率、用户计算、上行链路带宽资源，有效的降低了联邦学习的总时延和能量开销，提升了资源利用率。
📄 2022101099131
📂 H04W16_10
👤 南京邮电大学
📅 2022-01-29
本发明公开了一种基于自适应半异步联邦学习的模型训练系统、方法及设备，系统包括客户端、服务器，客户端和服务器通过多轮交互实现模型的迭代更新以完成全局模型训练。在整个过程中客户端数据始终保存在客户端本地，同时客户端可以随时加入或退出本系统的模型训练。由于客户端的性能差异，不同客户端完成一次本地训练的用时不同，为了提高全局模型训练的效率，服务器在收到一定数量的本地模型参数后即刻开始进行局部模型参数的更新，并在等待一定时间后根据其余客户端本地模型的达到情况，自适应地决定是进行一次全局同步模型更新还是一次全局异步模型更新。本发明可灵活应用于分布式机器学习、分布式深度学习的应用场景中，具有很高的实用性。
📄 202310872459X
📂 G06N20_00
👤 湖北工业大学
📅 2023-07-14
一种基于聚类的联邦图学习方法，基于聚类聚合算法提升数据分布不均匀的图网络参与联邦学习获得的全局模型性能，所述方法包括步骤：S1：客户端通过各自的数据收集方式获取图数据，构建图网络并计算各类标签的结构差异性E，上传至服务器；S2：拥有不同分布数据的客户端在本地进行训练，直至模型收敛，以获得输出层的模型参数aout并上传至服务器。服服务器将客户端上传的两个参数处理后作为划分客户端到不同的聚类簇的依据；S3:各客户端本地训练至一定批次时，上传其模型参数至服务器。服务器通过簇内聚合与簇间聚合更新全局模型参数并发送给各个客户端，客户端更新模型继续下一批次的训练，直至模型收敛。本发明能更好地完成节点分类，链路预测任务。
📄 2022108364227
📂 G06N3_098
👤 浙江工业大学
📅 2022-07-15
本发明公开了一种基于宽度学习的联邦学习策略优化方法和装置，包括：(1)对边缘端的本地模型进行模型初始化，同时在服务器端部署宽度学习网络；(2)对本地模型进行预训练，采用主动学习策略筛选出信息熵含量前n大的n个较优特征向量上传至服务器端；(3)服务器端以n个较优特征向量作为宽度学习网络的输入数据，获得输出宽度学习网络对输出数据的预测置信度，并根据预测置信度更新宽度学习网络的参数，同时返回预测置信度至边缘端；(4)边缘端利用返回的预测置信度更新本地模型的参数；(5)迭代(2)～(4)，参数确定的本地模型作为特征提取器，参数确定的宽度学习网络作为分类器，组成联邦学习模型，以提高模型的训练速度。
📄 2021102202756
📂 G06N20_00
👤 浙江工业大学
📅 2021-02-26
本发明公开了一种针对联邦学习神经元梯度攻击的防御方法，基于强化学习的联邦系统偏见中毒防御，以保护模型免受梯度中毒攻击，可以应用于水平联邦学习。本发明方法在服务器端记录5个回合的参与者上传的梯度信息，统计神经元参数的变化趋势，计算每个用户每个神经元参数变化趋势，与其他用户该神经元参数变化趋势的Jaccard相似度，查找企图进行梯度攻击的恶意用户，一旦确定了恶意客户端，服务器将从记录的5个回合的梯度信息中剔除恶意用户，重新聚合生成新的全局模型，在保证联邦学习正常进行的情况下，提高学习系统的安全鲁棒性。本发明能够检测哪一个是攻击者操控的客户端，并且通过模型回档的方式避免整个联邦学习系统遭到毒害。
📄 2022109555132
📂 H04L9_40
👤 浙江工业大学
📅 2022-08-10
本发明公开提供一种基于神经元激活差异的联邦公平框架训练方法和装置。在进行联邦学习的过程中，服务器除了要求客户端上传本地模型更新参数以外，还要求客户端上传神经元的激活频率，服务器通过计算客户端神经元激活频率的稀疏度，来评估每个客户端的贡献度，以此下发不同的质量的全局模型给各个客户端。
📄 2022116986547
📂 G06N3_098
👤 浙江工业大学
📅 2022-12-28
一种基于模型指纹的联邦学习产权标签标定方法，包括：联邦学习正常的执行主任务训练，服务器端通过提取全局模型固有特征，将非训练数据的关键样本生成一组专门制作的对抗示例，做为模型指纹，输入到全局模型得到特有的输出分布特征，基于该分布特征，训练部署在服务器的验证模型。且上一轮生成的对抗示例会动态的添加下一轮的模型特征，强化模型指纹的效果。最终利用对抗示例的可转移性达到产权的声明和验证。本发明在不影响联邦主任务训练的同时实现模型产权的保护；不会对全局模型预测精度产生副作用；基于模型指纹的技术有效的弥补了水印嵌入技术的缺陷。
📄 2022113578052
📂 G06N3_098
👤 浙江工业大学
📅 2022-11-01
本发明公开了一种基于隐私保护的个性化联邦学习方法和装置，客户端进行每轮训练，得到训练好的本地模型矩阵参数并上传给相对应的个性化模型；根据本轮训练好的本地模型矩阵参数的变化量，计算每个客户端的阈值，随后计算每个客户端的频率稀疏度；根据频率稀疏度集合，将客户端分簇；对同一个簇的客户端上传的本地模型参数求平均，并将平均值作为新的全局模型矩阵参数下发给同一个簇的客户端；重复直至全局模型收敛，完成个性化联邦学习的训练。本发明在计算频率稀疏度过程中始终保护用户隐私，通过稀疏度的相似性对客户端进行聚类，形成K个簇，对这K个簇的客户端分布进行聚合操作，以达到协作训练和个性化联邦学习的效果。
📄 2022110143152
📂 G06F18_214
👤 浙江工业大学
📅 2022-08-23
柿子坊 · 知识产权运营
柿子坊知识产权运营平台