买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华中科技大学申请的专利一种联邦学习场景下防御拜占庭攻击的方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116389093B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310308504.9，技术领域涉及：H04L9/40；该发明授权一种联邦学习场景下防御拜占庭攻击的方法和系统是由胡胜山;陆建荣;李明慧;史俊玉;万伟设计研发完成，并于2023-03-28向国家知识产权局提交的专利申请。

本一种联邦学习场景下防御拜占庭攻击的方法和系统在说明书摘要公布了：本发明公开了一种联邦学习场景下防御拜占庭攻击的方法，包括：服务端获取与客户端获取的第一数据集不同的第二数据集Daux以及服务端模型的分类数，对该第二数据集进行预处理，以得到预处理后的第二数据集，对获取的服务端模型的分类数进行扩展，以得到扩展后的服务端模型，并将预处理后的第二数据集以及扩展后的服务端模型发送到客户端，客户端获取第一数据集，按8:2的比例将该数据集划分为训练集和测试集。从服务端获取预处理后的和第一数据集完全不同的第二数据集，将第二数据集尺寸修改为客户端模型的输入尺寸。本发明能够解决现有FL防御方法由于只有在客户的数据集是独立的和同分布的情况下才有效，从而大大影响了该方法应用的技术问题。

本发明授权一种联邦学习场景下防御拜占庭攻击的方法和系统在权利要求书中公布了：1.一种联邦学习场景下防御拜占庭攻击的方法，其特征在于，包括以下步骤： 1服务端获取与客户端获取的第一数据集不同的第二数据集Daux以及服务端模型的分类数，对该第二数据集进行预处理，以得到预处理后的第二数据集，对获取的服务端模型的分类数进行扩展，以得到扩展后的服务端模型，并将预处理后的第二数据集以及扩展后的服务端模型发送到客户端； 2客户端获取第一数据集，按8:2的比例将该数据集划分为训练集和测试集；从服务端获取预处理后的和第一数据集完全不同的第二数据集，将第二数据集尺寸修改为客户端模型的输入尺寸，同样将第二数据集的标签标记为L,L+1,L+2,...,L+K；其中L表示客户端的数据类别数，K为扩展的分类数；接着将第一数据集的训练集和第二数据集均匀混合，以得到混合后的训练集，根据扩展后的服务端模型的权重初始化客户端模型的权重，以得到初始化后的客户端模型； 3客户端将混合后的训练集输入到步骤2初始化后的客户端模型中，以得到用于客户端模型更新的客户端梯度集C＝{g1,g2,…,gm}，并将其发送到服务端，其中m的范围是1≤m≤n，n为参与联邦学习的客户端总数，表示参与联邦学习的全部客户端中第i1个客户端梯度，且有i1∈[1，m]； 4服务端对步骤3中得到的客户端梯度先后进行四次客户端梯度异常检查和剔除恶意客户端梯度处理，并对剩余的客户端梯度进行聚合，以得到更新后的客户端梯度，利用更新后的客户端梯度对服务端模型进行第二轮更新，以得到第二轮的服务端模型，…，重复本过程达T轮，以得到最终的服务端模型，其中T≥1000；步骤4包括以下子步骤： 4-1服务端随机选择m个客户端，并接收步骤3得到的客户端梯度集C＝{g1,g2,…,gm}，表示参与联邦学习的全部客户端中第i1个客户端梯度，且有i1∈[1，m]； 4-2服务端对步骤4-1得到的客户端梯度集C＝{g1,g2,…,gm}进行过滤处理，以移除方向相似或者相同的恶意客户端梯度，并得到经过第一次检测后的客户端梯度集C1； 4-3服务端对步骤4-2中获得的第一次检测后的客户端梯度集C1进行第二次检测处理，以得到剔除了和正常客户端梯度方向不相似的恶意客户端梯度后的客户端梯度集C2； 4-4服务端对步骤4-3获得的客户端梯度集C2进行第三次检测处理，以得到进一步剔除了方向更为接近正常客户端梯度的恶意客户端梯度后的客户端梯度集C3； 4-5服务端对步骤4-4得到的正常客户端梯度集C3进行第四次检测，以对其中的每个客户端梯度进行模长矫正，从而得到矫正后的客户端梯度其中i8∈[1，|C3|]； 4-6服务端对步骤4-5得到的矫正后所有客户端梯度进行聚合处理，以得到最新的服务端梯度g，并由此更新得到最新的服务端模型； 4-7重复步骤4-1至步骤4-6达T轮，从而得到最终的服务端模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037号华中科技大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。