一种基于生成对抗网络的物联网安全方法

本发明属于物联网隐私安全，尤其涉及一种基于生成对抗网络的物联网安全方法。

背景技术：

1、联邦学习(federated learning,fl)是一种保护隐私分布式机器学习方法，旨在保证数据隐私的前提下，充分利用分布在多个客户端的数据进行模型训练。但在联邦学习中存在着一个重要挑战，即数据的非独立同分布(non-iid)问题。由于参与联邦学习的每个客户端的数据在现实分布通常存在显著差异，这种数据异构性会导致全局模型在某些客户端上的性能不佳。非独立同分布的数据会使得模型更新的效果大相径庭，从而影响全局模型的收敛速度和最终精度。而且这种由于数据异构导致的劣化现象在神经网络模型中的分类器中尤为明显。因此，如何在保持数据隐私的同时，优化由于数据非独立同分布引起的分类器劣化现象，提升联邦学习框架的整体性能，是当前急需解决的问题。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于生成对抗网络的物联网安全方法，旨在不上传客户端原始数据的前提下，训练轻量化gan(生成对抗网络)来生成分类器校准特征，并在服务器端进行重新训练分类器，在实现物联网隐私保护的前提下，大幅提升模型准确率。

2、本发明提供了一种基于生成对抗网络的物联网安全方法，包括：

3、构建联邦学习模型，所述联邦学习模型包括服务器和客户端，基于服务端和客户端对生成对抗网络进行训练，获取训练结果，其中，对所述基于服务端和客户端对生成对抗网络进行训练包括：

4、s1、获取服务器端初始参数；

5、s2、对所述初始参数进行选择，获取客户端特征数据；

6、s3、利用客户端特征数据对客户端本地模型进行训练，获取训练结果；

7、s4、对所述初始参数和所述训练结果进行联邦聚合，获取合成特征；

8、s5、基于所述合成特征对服务器端分类器进行训练，获取当前全局模型参数；

9、s6、对所述当前全局模型参数进行选择，重复步骤s2-s5，直至全局模型参数满足预设条件，则终止迭代。

10、可选的，获取服务器端初始参数包括：

11、对每个类别的数据分别采用轻量化模型初始化gan模型参数，获取第一参数；

12、在服务器端初始化全局模型参数，获取第二参数；

13、基于所述第一参数和第二参数，获取所述服务器端初始参数。

14、可选的，对所述初始参数进行选择，获取客户端特征数据包括：

15、统计客户端数据集中的数据种类，并结合阈值来对所述初始参数进行选择，获取所述客户端特征数据。

16、可选的，结合阈值来对所述初始参数进行选择包括：

17、若所述初始参数中某类别的数据数量大于所述阈值时，则添加到所述客户端中的数据集中；

18、否则，不进行数据添加。

19、可选的，获取所述阈值的方法为：

20、

21、其中，θ为阈值，w0是服务器端初始化全局模型参数，fu是具有参数u的特征提取器，d是特征向量维数，cv是具有参数v的分类器，是生成器生成的相应类别的合成特征

22、可选的，利用客户端特征数据对客户端本地模型进行训练，获取训练结果的方法为：

23、

24、其中，gj是此客户端中类别j通过本地特征提取器得到的特征数据集；xj是此客户端中类别j的全部原始数据，是本地特征提取器，wkt+1是利用客户端k训练得到的客户端k在第t+1轮的本地模型参数，ukt+1是本地特征提取器参数，θ是阈值，di是将客户端k中的属于客户端分配得到的类别j的数据。

25、可选的，获取所述合成特征的方法为：

26、

27、其中，z是数量为num_samples服从正态分布的噪声组成的集合，是相应类别的合成特征，ksum是客户端数，wkt+1是利用客户端k训练得到的客户端k在第t+1轮的本地模型参数。

28、可选的，基于所述合成特征对服务器端分类器进行训练，获取当前全局模型参数包括：

29、基于所述合成特征对服务器端分类器进行训练，获取训练后的分类器参数；

30、将所述分类器参数和全局模型初始参数进行加权聚合，获取当前全局模型参数。

31、可选的，将所述分类器参数和全局模型初始参数进行加权聚合的方法为：

32、vserver′＝w1vserver+w2v

33、其中，w1是再训练后分类器的权重系数；w2是联邦聚合后原始分类器的权重系数，vserver是服务器端的全局模型参数，vserver′是更新后的全局模型参数，v为参数向量。

34、与现有技术相比，本发明具有如下优点和技术效果：

35、本发明旨在不上传客户端原始数据的前提下，训练轻量化gan(生成对抗网络)来生成分类器校准特征，并在服务器端进行重新训练分类器，在实现物联网隐私保护的前提下，大幅提升模型准确率。

技术特征：

1.一种基于生成对抗网络的物联网安全方法，其特征在于，包括：

2.根据权利要求1所述的一种基于生成对抗网络的物联网安全方法，其特征在于，获取服务器端初始参数包括：

3.根据权利要求1所述的一种基于生成对抗网络的物联网安全方法，其特征在于，对所述初始参数进行选择，获取客户端特征数据包括：

4.根据权利要求3所述的一种基于生成对抗网络的物联网安全方法，其特征在于，结合阈值来对所述初始参数进行选择包括：

5.根据权利要求3所述的一种基于生成对抗网络的物联网安全方法，其特征在于，获取所述阈值的方法为：

6.根据权利要求1所述的一种基于生成对抗网络的物联网安全方法，其特征在于，利用客户端特征数据对客户端本地模型进行训练，获取训练结果的方法为：

7.根据权利要求1所述的一种基于生成对抗网络的物联网安全方法，其特征在于，获取所述合成特征的方法为：

8.根据权利要求1所述的一种基于生成对抗网络的物联网安全方法，其特征在于，基于所述合成特征对服务器端分类器进行训练，获取当前全局模型参数包括：

9.根据权利要求8所述的一种基于生成对抗网络的物联网安全方法，其特征在于，将所述分类器参数和全局模型初始参数进行加权聚合的方法为：

技术总结本发明公开了一种基于生成对抗网络的物联网安全方法，包括：构建联邦学习模型，所述联邦学习模型包括服务器和客户端，基于服务端和客户端对生成对抗网络进行训练，获取训练结果，其中，对所述基于服务端和客户端对生成对抗网络进行训练包括：S1、获取服务器端初始参数；S2、对所述初始参数进行选择，获取客户端特征数据；S3、利用客户端特征数据对客户端本地模型进行训练，获取训练结果；S4、对所述初始参数和所述训练结果进行联邦聚合，获取合成特征；S5、基于所述合成特征对服务器端分类器进行训练，获取当前全局模型参数；S6、对所述当前全局模型参数进行选择，重复步骤S2‑S5，直至全局模型参数满足预设条件，则终止迭代。技术研发人员：刘苗,柳龙玺,陈逸阳,滕秀明,周顺宇受保护的技术使用者：无锡学院技术研发日：技术公布日：2025/1/6