一种基于联邦学习的元宇宙隐私保护方法技术

本发明专利技术提供一种基于联邦学习的元宇宙隐私保护方法，该方法包括：两个客户端进行密钥交换与样本ID对齐；对联邦学习模型进行训练，双方都用该损失值进行梯度计算以及更新参数；分类准确率达到设定值或者客户端B提出中止训练为止。本发明专利技术提供的一种基于联邦学习的元宇宙隐私保护方法，能够将联邦学习运用于元宇宙数据隐私保护当中，以解决元宇宙数据分析中数据隐私保护的需求。据隐私保护的需求。据隐私保护的需求。

【技术实现步骤摘要】
一种基于联邦学习的元宇宙隐私保护方法


[0001]本专利技术涉及虚拟现实
，特别涉及一种基于联邦学习的元宇宙隐私保护方法。

技术介绍

[0002]元宇宙本质上就是对现实世界的虚拟化和数字化过程，它本身不是一种新技术，而是5G/6G通信、物联网、人工智能、扩展现实等新兴技术的整合。5G/6G技术提供低时延的网络环境，云存储、云计算技术提供算力基础，扩展现实、脑机接口等技术提供虚实交互体验，人工智能技术助力内容生产，区块链技术提供安全认证机制、虚拟资产交易安全保证，这些技术共同构成了元宇宙。然而，元宇宙服务提供方将会收集海量的用户数据，其中包含很多用户隐私信息，这对元宇宙的发展提出了隐私保护的要求。分别从元宇宙服务提供方和用户的角度上看，一方面，用户并不希望自己的个人隐私数据被无休止地获取和使用，而且会担心自己的隐私信息被泄露；另一方面，元宇宙服务提供方需要收集更多的用户隐私信息，包括语音和虹膜等生物识别信息，以便更好地提供服务。但是，一旦生物识别信息被破坏，这将是永久性的、不可被撤销的，这会带给用户巨大的麻烦。因此，在确保数据安全与隐私保护的前提下，为用户提供优质、个性化的元宇宙服务，将是元宇宙技术突破发展瓶颈的关键一步。
[0003]联邦学习是一种分布式机器学习框架，它的目标是让多个数据持有方在保证数据隐私安全并且合法合规的基础上，以不分享数据的方式完成AI模型的训练。在联邦学习的支撑下，企业能够以使用而不收集数据的方式完成建模，用户不仅可以享受到企业提供的人工智能服务，还不需要担心自己的隐私数据因离开本地而被泄露。联邦学习的这种特性为突破元宇宙数据安全与隐私保护这个关键瓶颈提供了一个思路。
[0004]Transformer模型采用全局注意力机制，从而具有强大的特征感知能力，能够捕获长距离特征关联，且支持并行运算，相较于传统的卷积神经网络和循环神经网络性能优越，在当下的机器学习领域十分突出。Transformer在大样本数据场景中也表现突出，可以很好地满足元宇宙应用深沉浸感所带来的低时延要求。

技术实现思路

[0005]本专利技术的目的是提供一种基于大数据的二次供水量预测方法及相关装置，该方法能够解决现有用水站点的二次供水需求量预测技术存在的模型输入参数简单、模型缺乏反馈优化机制的问题，使得预测居民的用水量更加准确细致。
[0006]本专利技术公开了一种基于联邦学习的元宇宙隐私保护方法，包括：
[0007]两个客户端进行密钥交换与样本ID对齐；
[0008]对联邦学习模型进行训练，双方都用该损失值进行梯度计算以及更新参数；
[0009]分类准确率达到设定值或者客户端B提出中止训练为止。
[0010]两个客户端进行密钥交换与样本ID对齐具体包括：
[0011]使用某个具有用户唯一性的数据属性，使用哈希算法得出用作对齐的ID；
[0012]主参与方生成公钥(n,e)和私钥(n,d)，并将公钥(n,e)发送给从参与方；
[0013]双方将自己的数据样本经过全域哈希函数H(x)得到hc
i
,hs
j
；
[0014]在对齐前，主参与方计算出对齐ID的签名t
j
，从参与方生成一个随机数R
c:i
用于保护hc
i
，使用公钥加密得到y
i
；
[0015]对齐开始时，从参与方将y
i
发送给主参与方，主参与方使用私钥对y
i
进行初步计算得到y
i
′
，将其与签名t
j
一起发送给从参与方；
[0016]从参与方将得到的y
i
′
去掉自己加上的随机数R
c:i
并计算签名t
′
i
，最后将t
j
和t
′
i
进行对齐，这样就完成了样本对齐。
[0017]对联邦学习模型进行训练具体包括：
[0018]客户端A将自己所拥有的数据经过本地模型后得到中间计算结果，用客户端B的公钥进行加密后发送给客户端B。
[0019]客户端B用自己的私钥解密接收到的结果后，与自己数据经过本地模型后得到的中间计算结果进行拼接，然后将拼接后的结果输入全局模型进行训练，计算损失。
[0020]客户端B将损失值用客户端A的公钥加密后发送给客户端A。
[0021]对联邦学习模型进行训练，双方都用该损失值进行梯度计算以及更新参数之后，还包括通用框架与Transformer模型结合，具体包括：
[0022]Transformer完全基于注意力机制，无需使用递归和卷积。在Transformer中所使用的注意力机制名为多头注意力，它是由多个自注意力组成的；
[0023]在自注意力层中，输入向量首先经过三个不同的权重矩阵映射为Q、K、V矩阵，对Q、K、V矩阵进行点积、归一化、映射、加权等一系列计算得到输出矩阵，计算公式为：
[0024][0025]其中d
k
为输入的维度；
[0026]多头注意力计算公式如下：
[0027]MultiHead(Q,K,V)＝Concat(head1,
…
head
n
)W
O
[0028][0029]通用框架具体包括：
[0030]元宇宙的数据可以分为两部分，分别是现实世界产生的数据和虚拟世界产生的数据，现实世界产生的数据由增强现实、混合现实、虚拟现实扩展现实设备的传感器采集，虚拟世界产生的数据由元宇宙服务提供方采集，可分别对应通用框架中的主参与方和从参与方，两部分数据在通用框架的支撑下，通过Transformer完成人工智能训练，为用户提供优质、个性化的元宇宙服务。
[0031]本专利技术针对元宇宙虚实世界数据割裂的问题，将联邦学习运用于元宇宙数据隐私保护当中，提出基于纵向联邦学习的元宇宙数据分析通用框架，这种方法的运用具有创新性。
[0032]本专利技术针对现有模型难以满足元宇宙数据分析需求的问题，引入Transformer技术，将其结合到通用框架当中，以满足元宇宙大样本数据场景中数据分析需求，这种方法的
运用具有创新性。
附图说明
[0033]此处的附图被并入说明书中并构成本说明书的一部分，标示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术提出的一种基于联邦学习的元宇宙隐私保护方法的流程图；
[0036]图2为本专利技术提出的一种基于联邦学习的元宇宙隐私保护方法的通用框架流程图；
[0037]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的元宇宙隐私保护方法，其特征在于，包括：两个客户端进行密钥交换与样本ID对齐；对联邦学习模型进行训练，双方都用该损失值进行梯度计算以及更新参数；分类准确率达到设定值或者客户端B提出中止训练为止。2.根据权利要求1所述的一种基于联邦学习的元宇宙隐私保护方法，其特征在于，所述两个客户端进行密钥交换与样本ID对齐具体包括：使用某个具有用户唯一性的数据属性，使用哈希算法得出用作对齐的ID；主参与方生成公钥(n,e)和私钥(n,d)，并将公钥(n,e)发送给从参与方；双方将自己的数据样本经过全域哈希函数H(x)得到hc
i
,hs
j
；在对齐前，主参与方计算出对齐ID的签名t
j
，从参与方生成一个随机数R
c:i
用于保护hc
i
，使用公钥加密得到y
i
；对齐开始时，从参与方将y
i
发送给主参与方，主参与方使用私钥对y
i
进行初步计算得到y
i
′
，将其与签名t
j
一起发送给从参与方；从参与方将得到的y
i
′
去掉自己加上的随机数R
c:i
并计算签名t
′
i
，最后将t
j
和t
′
i
进行对齐，这样就完成了样本对齐。3.根据权利要求1所述的一种基于联邦学习的元宇宙隐私保护方法，其特征在于，所述对联邦学习模型进行训练具体包括：客...

【专利技术属性】
技术研发人员：康嘉文，罗智鹏，焦雨涛，何嘉懿，赖丙坤，吴天昊，谢胜利，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：