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！

龙图腾网获悉中山大学·深圳;中山大学申请的专利一种针对联邦学习多元投毒攻击的联合审计安全防御方法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：CN118916878B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202411201304.4，技术领域涉及：G06F21/56；该发明授权一种针对联邦学习多元投毒攻击的联合审计安全防御方法是由李聪端;邓洁怡设计研发完成，并于2024-08-29向国家知识产权局提交的专利申请。

本一种针对联邦学习多元投毒攻击的联合审计安全防御方法在说明书摘要公布了：本发明公开了一种针对联邦学习多元投毒攻击的联合审计安全防御方法，属于人工智能安全及信息安全技术领域，包括S1、构建联邦学习模型，包括服务器端和K个客户端；S2、对联邦学习模型进行训练，得到全局模型；S3、在服务器端设置一种防御算法，对客户端上传的梯度更新进行检测，并且通过一种评估算法对客户端进行评分，修改相应的聚合权重，从而获得新一轮的全局模型。本发明采用上述一种针对联邦学习多元投毒攻击的联合审计安全防御方法，能够有效检测出多种不同恶意攻击行为，保证训练任务可进行，减小攻击对训练任务的侵害，同时提高任务的鲁棒性和效能。

本发明授权一种针对联邦学习多元投毒攻击的联合审计安全防御方法在权利要求书中公布了：1.一种针对联邦学习多元投毒攻击的联合审计安全防御方法，其特征在于，包括以下步骤： S1、构建联邦学习模型，包括服务器端和K个客户端；用k＝0,1,2…,K表示第k个客户端，第k个客户端拥有的数据集为数据量为用zk＝xk,yk表示输入数据标签对,不同客户端的数据是非独立同分布的，记所有客户端的本地数据总量为模型记为梯度记为 S2、对联邦学习模型进行训练，得到全局模型； S3、在服务器端设置一种防御算法，对客户端上传的梯度更新进行检测，并且通过一种评估算法对客户端进行评分，修改相应的聚合权重，从而获得新一轮的全局模型； 步骤S3具体如下： S31、服务器端将从联合估计值χ，余弦相似度α，欧式距离β这三个指标对攻击者进行检测，在训练开始之前，服务器端初始化这三个指标对应的列表lχ,lα,lβ，记录参与方的不良行为次数； S32、在迭代轮次t＝1,2,...,T中，服务器端收集到了来自参与方St的梯度集合并计算每个用户当前的联合估计值χi，根据联合估计值评估该参与方的可信度，进而记录在对应的列表中； S33、服务器端经过对参与方的联合估计值的计算，将恶意行为明显的参与方剔除，服务器端对参与方集合中的所有用户计算一个均值梯度 S34、这个均值梯度称为后续检测的标准，服务器端计算剩余梯度与该均值梯度的余弦相似度，然后根据其来评估用户的可疑程度，进而记录在列表中； S35、服务器端对参与方进行关于欧式距离β这一指标的检测，服务器端计算剩余梯度与该均值梯度的欧式距离，根据可疑程度，记录在列表中； S36、在迭代轮次t＝1,2,...,T中，服务器端记录了前t-1次检测的结果，并记录在列表lχ,lα,lβ中，同时，服务器端还记录了每一个客户端作为聚合参与方的次数，对于每个客户端k＝0,1,2,..,K，分别计算其被记录在列表中的次数与被选择作为聚合参与方的次数之比，得到与联合估计值、余弦相似度、欧式距离相关的三个分数sk,χ,sk,α,sk,β，再通过相关的计算方法，从这三个分数中得到客户端k的恶意评估值 S37、对于聚合参与方集合初始的聚合权重是客户端数据集大小的比例； S38、对于第t次迭代，服务器端根据三种指标划分了可疑用户在列表中，如果参与方i存在于之中，那么减小该参与方的聚合权重；从步骤S36中得到了每个客户端的恶意评估值服务器端将恶意评估值最大的前30％的客户端视为攻击者，如果参与方i属于攻击者集合内，则对其聚合权重进行再一步地减小，最终修改后的权重为 S39、服务器端得到了新的参与方集合也得到了新的权重集合 然后根据加权聚合的方法，得到新一轮的全局模型，如下

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中山大学·深圳;中山大学，其通讯地址为：518118 广东省深圳市光明新区光明街道华夏路和润家园3栋501；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”。

以上内容由龙图腾AI智能生成。