【技术实现步骤摘要】
本申请实施例涉及计算机领域，具体而言，涉及一种异常边缘设备的确定方法及装置、存储介质、电子设备。
技术介绍
1、随着大数据和人工智能技术的深入发展，人工智能在图像识别、自然语言处理、语音识别等领域不断取得突破。而利用分布式训练的方式实现模型训练在降低复杂度、提高模型性能的同时，也对数据隐私保护和安全提出了更高的要求。例如，联邦学习作为一种新兴的分布式机器学习技术，允许数据保留在本地，仅将训练模型参数上传到云端，从而实现模型训练和数据隐私保护的统一。但是联邦学习中，除了正常的边缘设备端，还可能存在通过修改模型参数实现拜占庭攻击的边缘设备端。目前基于机器学习的拜占庭攻击检测方法，通过识别训练过程中出现的异常行为，或者通过分析攻击者对模型的破坏能力，实现拜占庭攻击检测。但是该方法依赖于完整的训练集，而联邦学习中，数据保留在本地，导致该方法不适用于联邦学习的攻击检测。
技术实现思路
1、本申请实施例提供了一种异常边缘设备的确定方法及装置、存储介质、电子设备，以至少解决相关技术中无法准确的确定出受到数据攻击的局部设备的问题。
2、根据本申请的一个实施例，提供了一种异常边缘设备的确定方法，应用于云服务器，所述云服务器与多个边缘设备连接，所述云服务器的全局模型和多个所述边缘设备的多个局部模型均是基于分布式机器学习算法进行训练的模型，上述方法包括：接收n个所述边缘设备发送的n组局部训练数据，得到全局训练数据集，其中，一个所述边缘设备对应一组所述局部训练数据，所述局部训练数据是从训练所述
3、在一个示例性实施例中，使用所述全局训练数据集和全局损失函数，计算所述全局模型的第一模型参数，包括：定义所述全局损失函数，其中，所述全局损失函数中包括初始模型参数和所述全局训练数据集中数据的特征；利用所述全局训练数据集和所述初始模型参数，对所述全局模型执行梯度下降操作，以最小化所述全局损失函数的损失值，得到所述全局模型的所述第一模型参数。
4、在一个示例性实施例中，定义所述全局损失函数，包括：
5、
6、其中，所述用于表示损失值，所述xj＝(xj，yj)∈rd×r用于表示所述全局训练数据集中的数据的数据特征和所述全局模型的分类目标，所述θ用于表示所述初始模型参数，所述s用于表示所述全局训练数据集，所述j用于表示所述全局训练数据集中的数据。
7、在一个示例性实施例中，基于接收的n个所述边缘设备发送的n个所述梯度和所述第一模型参数，确定n组所述局部训练数据中的异常局部训练数据，并基于所述异常局部训练数据确定异常边缘设备，包括：在接收到n个所述边缘设备发送的n个所述梯度的情况下，针对每个所述边缘设备的局部模型执行以下操作，得到n个所述局部模型的n个当前模型参数：使用所述梯度和所述第一模型参数，利用梯度下降算法计算所述局部模型的所述当前模型参数；针对每个所述边缘设备的局部模型，均执行以下操作，以确定n组所述异常边缘设备：计算所述当前模型参数和所述第一模型参数之间的欧式距离；在所述欧式距离小于或等于预设阈值的情况下，将所述当前模型参数确定为异常模型参数，其中，所述预设阈值是大于0的自然数；将所述异常模型参数对应的所述局部训练数据确定为所述异常布局训练数据，以确定所述异常边缘设备，其中，所述异常局部训练数据包括受到预设攻击的数据；其中，计算所述当前模型参数和所述第一模型参数之间的欧式距离包括：分别将所述当前模型参数中包括的多个参数和所述第一模型参数中包括的多个参数转换为向量表示，得到多个第一特征向量和多个第二特征向量；分别计算对应位置的多个所述第一特征向量和多个所述第二特征向量之间的差值的平方，得到多个平方差值；计算多个所述平方差值的和值，并将所述和值的平方根确定为所述欧式距离。
8、在一个示例性实施例中，基于接收的n个所述边缘设备发送的n个所述梯度和所述第一模型参数，确定n组所述局部训练数据中的异常局部训练数据，并基于所述异常局部训练数据确定异常边缘设备之后，所述方法还包括：将所述异常边缘设备从n个所述边缘设备中剔除，得到m个所述边缘设备，其中，所述m是小于所述n的自然数；组合m个所述边缘设备，得到边缘设备集合。
9、在一个示例性实施例中，组合m个所述边缘设备，得到边缘设备集合之后，所述方法还包括：获取所述边缘设备集合发送的局部训练数据集；利用所述局部训练数据集对所述全局模型进行训练，直到所述全局损失函数的损失值小于预设损失值，结束训练，得到目标全局模型；将所述目标全局模型的第一目标模型参数发送至所述边缘设备集合，以指示所述边缘设备集合中对应的每个局部模型按照所述第一目标模型参数进行训练。
10、在一个示例性实施例中，组合m个所述边缘设备，得到边缘设备集合之后，所述方法还包括：对所述边缘设备集合对应的m个所述梯度执行平均值运算，得到梯度平均值；使用所述梯度平均值更新，利用梯度下降算法更新所述全局模型的模型参数，得到第二目标模型参数；将所述第二目标模型参数发送至所述边缘设备集合，以指示所述边缘设备集合中对应的每个局部模型按照所述第二目标模型参数进行训练。
11、根据本申请的另一个实施例，提供了一种异常边缘设备的确定装置，应用于云服务器，所述云服务器与多个边缘设备连接，所述云服务器的全局模型和多个所述边缘设备的多个局部模型均是基于分布式机器学习算法进行训练的模型，所述装置包括：第一接收模块，用于接收n个所述边缘设备发送的n组局部训练数据，得到全局训练数据集，其中，一个所述边缘设备对应一组所述局部训练数据，所述局部训练数据是从训练所述局部模型的局部训练数据集中提取出的部分训练数据，所述n是大于1的正整数；第一计算模块，用于使用所述全局训练数据集和全局损失函数，计算所述全局模型的第一模型参数；第一发送模块，用于将所述第一模型参数分别发送至n个所述边缘设备，其中，所述边缘设备用于在利用所述模型参数训练的过程中，计算所述局部模型的梯度，所述局部模型的梯度用于表示所述局部模型的损失函数的变化率；第一确定模块，用于基于接收的n个所述边缘设备发送的n个所述梯度和所述第一模型参数，确定n组所述局部训练数据中的异常局部训练数据，并基于所述异常局部训练数据确定异常边缘设备。
12、根据本申请的又一个实施例，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
13、根据本申请的又一个实施例，还提供了一种计算机可本文档来自技高网...
【技术保护点】
1.一种异常边缘设备的确定方法，其特征在于，应用于云服务器，所述云服务器与多个边缘设备连接，所述云服务器的全局模型和多个所述边缘设备的多个局部模型均是基于分布式机器学习算法进行训练的模型，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，使用所述全局训练数据集和全局损失函数，计算所述全局模型的第一模型参数，包括：
3.根据权利要求2所述的方法，其特征在于，定义所述全局损失函数，包括：
4.根据权利要求1所述的方法，其特征在于，基于接收的N个所述边缘设备发送的N个所述梯度和所述第一模型参数，确定N组所述局部训练数据中的异常局部训练数据，并基于所述异常局部训练数据确定异常边缘设备，包括：
5.根据权利要求1或4所述的方法，其特征在于，基于接收的N个所述边缘设备发送的N个所述梯度和所述第一模型参数，确定N组所述局部训练数据中的异常局部训练数据，并基于所述异常局部训练数据确定异常边缘设备之后，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，组合M个所述边缘设备，得到边缘设备集合之后，所述方法还包括：
<...【技术特征摘要】
1.一种异常边缘设备的确定方法，其特征在于，应用于云服务器，所述云服务器与多个边缘设备连接，所述云服务器的全局模型和多个所述边缘设备的多个局部模型均是基于分布式机器学习算法进行训练的模型，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，使用所述全局训练数据集和全局损失函数，计算所述全局模型的第一模型参数，包括：
3.根据权利要求2所述的方法，其特征在于，定义所述全局损失函数，包括：
4.根据权利要求1所述的方法，其特征在于，基于接收的n个所述边缘设备发送的n个所述梯度和所述第一模型参数，确定n组所述局部训练数据中的异常局部训练数据，并基于所述异常局部训练数据确定异常边缘设备，包括：
5.根据权利要求1或4所述的方法，其特征在于，基于接收的n个所述边缘设备发送的n个所述梯度和所述第一模型参数，确定n组所述局部训练数据中的异常局部训练数据，并基于所述异常局部训练数据确定异常边缘设备之...
【专利技术属性】
技术研发人员：张旭，孙华锦，胡雷钧，王小伟，
申请(专利权)人：山东云海国创云计算装备产业创新中心有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。