[发明专利]基于隐私保护的联邦学习方法以及相关设备

权利要求书

1.一种基于隐私保护的联邦学习方法，应用于目标结点端，所述方法包括：

根据神经网络的权重矩阵，得到行采样序列集合和列采样序列集合；

根据所述行采样序列集合和列采样序列集合，生成低维行表征矩阵和低维列表征矩阵；

接收边缘节点端发送的公钥，并根据所述公钥对所述对称密钥进行加密，得到密文，并将所述密文发送到所述边缘节点端；

生成对称密钥，并根据所述对称密钥对所述行采样序列集合和列采样序列集合进行加密，得到加密后的行采样序列集合和列采样序列集合；

根据所述低维行表征矩阵、低维列表征矩阵、加密后的行采样序列集合和加密后的列采样序列集合，生成初始化参数集合，并将所述初始化参数集合发送至中心服务器端。

2.根据权利要求1所述的方法，其特征在于，根据神经网络的权重矩阵，得到行采样序列集合和列采样序列集合，具体包括：

初始化神经网络的权重矩阵；

将初始化后的神经网络的权重矩阵分解，得到近似权重矩阵；

对所述近似权重矩阵进行采样，得到所述行采样序列集合和所述列采样序列集合。

3.根据权利要求1所述的方法，其特征在于，根据所述行采样序列集合和列采样序列集合，生成低维行表征矩阵和低维列表征矩阵，具体包括：

根据所述行采样序列集合和所述列采样序列集合生成行采样矩阵和列采样矩阵；

根据所述行采样矩阵和所述列采样矩阵对所述近似权重矩阵进行抽样，得到低维行表征矩阵和低维列表征矩阵。

4.一种基于隐私保护的联邦学习方法，应用于中心服务器端，所述方法包括：

接收目标节点端发送的初始化参数集合，并将所述初始化参数集合发送到边缘节点端；

接收所述边缘节点端发送的行边缘表征矩阵和列边缘表征矩阵，根据所述行边缘表征矩阵和所述列边缘表征矩阵，得到全局表征矩阵参数集合，并将所述全局表征矩阵参数集合发送至所述边缘节点端。

5.根据权利要求4所述的方法，其特征在于，接收所述边缘节点端发送的行边缘表征矩阵和列边缘表征矩阵，根据所述行边缘表征矩阵和所述列边缘表征矩阵，得到全局表征矩阵参数集合，具体包括：

根据所述行边缘表征矩阵和所述列边缘表征矩阵，得到全局行表征矩阵和全局列表征矩阵；

根据所述全局行表征矩阵和全局列表征矩阵，生成全局表征矩阵参数集合。

6.根据权利要求4所述的方法，其特征在于，还包括：接收所述边缘节点端发送的更新的行边缘表征矩阵和更新的列边缘表征矩阵，根据所述更新的行边缘表征矩阵和更新的列边缘表征矩阵对所述全局表征矩阵参数集合进行更新。

7.一种基于隐私保护的联邦学习方法，应用于边缘结点端，所述方法包括：

生成非对称密钥对；其中，所述非对称密钥对包括：公钥和私钥；

将所述公钥发送给目标节点端；

接收目标节点端发送的密文，并通过所述私钥对所述密文进行解密，得到对称密钥；

接收中心服务器端发送的初始化参数集合，根据所述对称密钥，对所述初始化参数集合中的加密后的行采样序列集合和加密后的列采样序列集合进行解密，得到解密后的行采样序列集合和列采样序列集合；

根据所述解密后的行采样序列集合和列采样序列集合，以及所述初始化参数集合中的低维行表征矩阵和低维列表征矩阵，计算核心矩阵；

根据所述核心矩阵，并结合该边缘节点端的本地隐私数据集，训练该边缘节点端对应的本地行边缘表征矩阵和本地列边缘表征矩阵，得到该边缘结点端对应的行边缘表征矩阵和列边缘表征矩阵；

将所述行边缘表征矩阵和所述列边缘表征矩阵发送至所述中心服务器端。