[发明专利]异步机制的隐私保护联邦学习方法、装置、介质及系统

权利要求书

1.一种异步机制的隐私保护联邦学习方法，其特征在于，所述方法包括下述步骤：

S100、在设置的时长内，在各客户端上对第一模型进行本地训练，对训练好的第一模型，使用该第一模型所在客户端对应的标识符生成的掩码进行加密，获得第一模型密文；

S200、在所述时长内使服务器获得第一模型密文、第一模型所在客户端对应的标识符以及第一模型所在客户端的时间戳；

S300、由服务器根据服务器的时间戳和获得的每一个客户端的时间戳的差值，计算获得的每一个客户端发送的第一模型密文对应权重，进而利用所述权重对第一模型密文进行加权聚合，得到第二模型密文；

S400、使客户端获得第二模型密文、服务器计算的各个权重、当前服务器的时间戳以及当前服务器获得的标识符，并使服务器上的时间戳更新；

S500、使客户端时间戳更新为获得的服务器的时间戳，对当前每一个被服务器获得的标识符，获得其对应的掩码；将所述掩码与权重结合获得第二模型密文的密钥，从而解密得到第二模型；

S600、判断客户端上的第二模型与第一模型的差值是否满足收敛条件，若不满足，将第二模型作为客户端上新的第一模型，返回S100；

其中，每个客户端具有节点标识符掩码表，在节点标识符掩码表中，所述掩码基于标识符生成，不同客户端对应不同标识符。

2.根据权利要求1的方法，其特征在于，所述加权聚合包括下述步骤：

S301、获取一个未设置权重的第一模型密文作为当前第一模型密文；

S302、获取当前第一模型密文对应的时间戳差值，若所述差值小于第一设定值，则将该第一模型密文对应的分值设置为1；否则，执行S304；

S303、若所述差值大于第二设定值，则将该第一模型密文对应的分值设置为0；否则，执行S304；

S304、将该第一模型密文对应的分值设置为差值与1的和的倒数；

S305、判断是否还有第一模型密文未设置对应的分值；若还有，则返回S301；否则，计算所有分值的总和，执行S306；

S306、对每一个第一模型密文，用其对应的分值比上总和获得对应的权重；

S307、计算每一个第一模型密文乘以其对应权重后的累加和，得到第二模型密文。

3.根据权利要求1所述的方法，其特征在于，所述加密包括下述方法：单一掩码加密、双掩码加密。

4.根据权利要求1所述的方法，其特征在于，所述第一模型采用下述方法进行训练：随机梯度下降法、全量梯度下降法、小批量梯度下降法、Momentum梯度下降法、NAG梯度下降法或其它梯度下降法。

5.根据权利要求1所述的方法，其特征在于，所述时长为所有第一模型训练时长的中位数或平均值。

6.一种异步机制的隐私保护联邦装置，其特征在于：包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至5中任一种方法的计算机程序。

7.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1至5中任一种方法的计算机程序。