[发明专利]基于孤立森林的联邦学习中毒攻击的防御方法

权利要求书

1.一种基于孤立森林的联邦学习中毒攻击的防御方法，其特征在于，实现该防御策略的场景是一个由数个参与方和一个中央服务器组成的水平联邦学习模型，每个参与者只访问自己的本地数据集，每个节点的数据都不与服务器共享，所述方法包括如下步骤：

步骤1：联邦学习模型初始化：设置整体训练轮次、参与者的数量及其本地数据集和中央服务器；

步骤2：验证模型预训练：配置干净的公共数据集训练验证模型，部分验证模型参数注入扰动；训练孤立森林异常检测模块使其能区分经过扰动和未经扰动的验证模型；

步骤3：联邦学习第t轮训练时，每个节点利用中央服务器下发的全局模型参数和本地数据集D_i在本地训练并产生新的模型参数n表示模型参数的维度，随机选择k个客户将其更新后的模型参数同步上传至中央服务器；

步骤4：对采样上传的模型参数，不计算节点模型参数之间的距离，而是构造孤立森林异常检测模块，投入采样的模型参数和经过扰动处理的验证模型参数共同参与检测；

步骤4.1：构造特征矩阵X_k×m，递归地随机分割X_k×m，采用子采样的方式构造多颗决策树iTree，将返回的iTree集合并准备进行评估；

步骤4.2：将节点在所有iTree的高度平均值比值归一化得到统计量s(x,k)，将统计量s(x,k)作为异常用户的评价指标；

步骤5：所有参与训练的模型参数经过孤立森林模块得到对应的异常分数后，根据验证模型的分数在所有上传模型的分数的分布，不断调整阈值；

步骤6：排除标签为异常的更新参数，中央服务器接收正常的训练参数运行联邦平均算法，聚合产生新的全局模型并再次将计算好的全局模型参数广播给每个参与方，为下一轮训练做准备，然后重复步骤3至步骤6直至联邦学习全局模型收敛。