(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111577375.0 (22)申请日 2021.12.20 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 王军波　徐鹏飞　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 代理人 郭浩辉　颜希文 (51)Int.Cl. H04L 41/0823(2022.01) H04L 41/14(2022.01) H04L 43/08(2022.01) H04L 9/40(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于联邦学习的网络辨别方法、 装置、 终端及介质 (57)摘要 本发明公开了一种基于联邦学习的网络辨 别方法、 装置、 终端及介质， 包括： 利用多类别公 共数据， 分别测试若干个第一网络参数， 得到若 干个对应的多类别精度集合； 统计每一个多类别 精度集合中大于预设的第一精度阈值的精度数 量， 并计算得到所有精度数量中的众数M； 分别将 各多类别精度集合中的精度按从大到小的顺序 排列， 按照排列结果获取前M个精度， 计算得到每 个多类别精度集合中前M个精度的平均值， 并根 据各多类别精度集合对应的平均值， 辨别各第一 网络参数的可靠性。 本发明对各参与者的网络参 数分别进行测试， 得到对应的多类别精度集合， 加以计算分析以辨别网络参数的可靠性， 进而确 定对应的参与者 为正常参与者还是恶意 攻击者。 权利要求书2页 说明书6页 附图4页 CN 114363176 A 2022.04.15 CN 114363176 A 1.一种基于联邦学习的网络辨别方法， 其特 征在于， 包括： 利用多类别公共数据， 分别测试若干个第一网络参数， 得到若干个所述第一网络参数 对应的多类别精度集合； 其中， 所述第一网络参数是参与者利用本地数据对联邦学习模型 进行训练而获得的， 所述多类别精度集 合包含每个类别的所述公共数据对应的精度； 统计每一个所述多类别精度集合中大于预设的第 一精度阈值的精度数量， 并计算得到 所有所述精度数量中的众 数M； 其中， 一个所述多类别精度集 合对应一个所述精度数量； 分别将各所述多类别精度集合中的精度按从大到小的顺序排列， 按照排列 结果获取前 M个精度， 计算得到每个多类别精度集合中前M个精度的平均值， 并根据各所述多类别精度 集合对应的平均值， 辨别各 所述第一网络参数的可靠性。 2.如权利要求1所述的一种基于联邦学习的网络辨别方法， 其特征在于， 所述根据 各所 述多类别精度集 合对应的平均值， 辨别各 所述第一网络参数的可靠性， 具体为： 若当前所述多类别精度集合对应的平均值大于预设的第 二精度阈值， 则确定当前所述 多类别精度集 合所对应的第一网络参数为可靠参数； 若当前所述多类别精度集合对应的平均值小于等于预设的第 二精度阈值， 则确定当前 所述多类别精度集 合所对应的第一网络参数为 不可靠参数。 3.如权利要求1所述的一种基于联邦学习的网络辨别方法， 其特征在于， 在所述利用多 类别公共数据， 分别测试若干个第一网络参数之前， 还 包括： 根据预设的划分标签， 将公共数据划分为若干个 类别， 得到所述多类别公共数据。 4.如权利要求1所述的一种基于联邦学习的网络辨别方法， 其特征在于， 在所述根据 各 所述多类别精度集 合对应的平均值， 辨别各 所述第一网络参数的可靠性之后， 还 包括： 对所有可靠参数进行聚合， 得到对应的第二网络参数； 根据所述第二网络参数， 迭代优化所述联邦学习模型， 直到优化次数达 到预设次数。 5.一种基于联邦学习的网络辨别装置， 其特 征在于， 包括： 网络参数测试模块， 用于利用多类别公共数据， 分别测试若干个第一网络参数， 得到若 干个所述第一网络参数对应的多类别精度集合； 其中， 所述第一网络参数是参与者利用本 地数据对联邦学习模型进 行训练而获得的， 所述多类别精度集合包含每个类别的所述公共 数据对应的精度； 数据统计模块， 用于统计每一个所述多类别精度集合中大于预设的第 一精度阈值的精 度数量， 并计算得到所有所述精度数量中的众数M； 其中， 一个所述多类别精度集合对应一 个所述精度数量； 网络辨别模块， 用于分别将各所述多类别精度集合中的精度按从大到小的顺序排列， 按照排列结果获取前M个精度， 计算得到每个多类别精度集合中前M个精度的平均值， 并根 据各所述多类别精度集 合对应的平均值， 辨别各 所述第一网络参数的可靠性。 6.如权利要求5所述的一种基于联邦学习的网络辨别装置， 其特征在于， 所述网络辨别 模块， 还包括： 数据获取 单元和网络辨别单 元； 所述数据获取单元， 用于分别将各所述多类别精度集合中的精度按从大到小的顺序排 列， 按照排列结果获取 前M个精度， 计算得到每 个多类别精度集 合中前M个精度的平均值； 所述网络辨别单元， 用于根据各所述多类别精度集合对应的平均值， 辨别各所述第一 网络参数 的可靠性； 若当前所述多类别精度集合对应的平均值大于预设的第二精度阈值，权　利　要　求　书 1/2 页 2 CN 114363176 A 2则确定当前所述多类别精度集合所对应的第一网络参数为可靠参数； 若当前所述多类别精 度集合对应的平均值小于等于预设的第二精度阈值， 则确定当前所述多类别精度集合所对 应的第一网络参数为 不可靠参数。 7.如权利要求5所述的一种基于联邦学习的网络辨别装置， 其特 征在于， 还 包括： 预处理模块， 用于在所述利用多类别公共数据， 分别测试若干个第一网络参数之前， 根 据预设的划分标签， 将公共数据划分为若干个 类别， 得到所述多类别公共数据； 模型优化模块， 用于在所述根据各所述多类别精度集合对应的平均值， 辨别各所述第 一网络参数的可靠性之后， 对所有可靠参数进行聚合， 得到对应的第二网络参数， 并根据所 述第二网络参数， 迭代优化所述联邦学习模型， 直到优化次数达 到预设次数。 8.一种终端， 其特征在于， 包括处理器、 存储器及存储于所述存储器内的计算机程序； 其中， 所述计算机程序能够被所述处理器执行， 以实现如权利要求1至4任意一项所述的基 于联邦学习的网络辨别方法。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序； 其中， 在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权 利要求1至4任意 一项所述的基于联邦学习的网络辨别方法。权　利　要　求　书 2/2 页 3 CN 114363176 A 3