【技术实现步骤摘要】
本专利技术涉及物联网安全，特别是涉及基于多向投影特征增强和负增益聚合的物联网安全方法。
技术介绍
1、物联网设备极大的推动了人工智能的发展，但是它们执行任务时需要依赖用户的敏感数据，这引发了公众对于个人数据隐私安全的担忧。受限于物联网设备本身的架构设计，难以部署计算量大的安全防火墙。因此，开始采用联邦学习(fl)这种注重于用户安全隐私保护的技术。联邦学习(fl)能够在不泄露原始数据的情况下，通过分布式训练机制来提高ai模型的性能。
2、然而，物联网设备种类繁多，生成的数据存在异构性。如果只依靠fl，往往导致ai模型的性能急剧下降。在不牺牲物联网设备的安全性和用户数据的隐私的同时，迫切需要开发新的安全解决方案。需要寻找新的方法来补充联邦学习(fl)，来解决物联网的异构性问题。
技术实现思路
1、本专利技术的目的是提供基于多向投影特征增强和负增益聚合的物联网安全方法，通过特征增强和负增益聚合技术，优化了在异构数据环境下的ai模型性能，从而在保护隐私的同时提升系统的整体效能。
2、为实现上述目的，本专利技术提供了如下方案：
3、基于多向投影特征增强和负增益聚合的物联网安全方法，包括：
4、s1、云服务器建立与边缘客户端的通信链路，并对所述边缘客户端部署负增益聚合超参数；
5、s2、所述边缘客户端从所述云服务器接收当前全局模型，所述边缘客户端通过特征增强对所述当前全局模型进行本地模型训练，训练完成后上传局部模型；
6、
7、s4、所述云服务器根据所述参数适配度和所述负增益聚合超参数对所述局部模型进行聚合，获取新的全局模型；
8、s5、所述边缘客户端接收所述新的全局模型，返回s2通过特征增强对所述新的全局模型进行下一轮本地训练。
9、可选的，所述s2中所述边缘客户端通过特征增强对所述当前全局模型进行本地模型训练包括：
10、所述边缘客户端将所述当前全局模型分为主体和头部，采用多向投影特征增强方法对主体训练之后特征进行增强，其中，所述当前全局模型为cnn模型，所述主体为所述cnn模型的前两层，所述头部为全连接层和输出层；
11、根据增强后的特征对头部进行训练，训练完成后上传所述局部模型。
12、可选的，采用多向投影特征增强方法对主体训练之后特征进行增强包括：
13、获取所述主体的输出特征，将所述主体的输出特征作为多向投影特征增强方法的输入特征，所述多向投影特征增强方法进行卷积操作，输出中间数据，其中，所述中间数据为fq、fk和fv；
14、利用多向投影窗和注意力机制对所述中间数据进行增强，获取第一输出特征，利用卷积对所述中间数据进行卷积操作，获取第二输出特征；
15、根据所述第一输出特征和所述第二输出特征，获取特征增强后的特征。
16、可选的，利用多向投影窗和注意力对所述中间数据进行增强，获取第一输出特征包括：
17、利用多向投影窗对中间数据fk和fv进行特征增强，获取fk和fv生成的中间变量；
18、将fk和fv生成的中间变量与fq通过注意力机制，输出所述第一输出特征。
19、可选的，利用多向投影窗对中间数据fk和fv进行特征增强为：
20、{fk_m,fv_m}＝r(σf7×7(pad(fk,fv))+b)
21、其中，pad(·)代表大小为p的填充操作，fk×k(·)代表大小为k×k的投影窗口操作，r(·)表示reshape操作，fk_m和fv_m为fk和fv生成的中间变量，σ是激活函数，b是偏置项。
22、可选的，所述s3中所述参数适配度根据所述边缘客户端的数据资源通过全局模型得到。
23、可选的，s4中所述云服务器根据所述参数适配度和所述负增益聚合超参数对所述局部模型进行聚合包括:
24、根据所述参数适配度和所述负增益聚合超参数，获取模型聚合的权重重分配系数；
25、所述模型聚合的权重重分配系数为：
26、
27、其中，αi代表客户端i的聚合权重重分配系数，si为客户端i的适配度，β为负增益聚合方法的超参数，n代表所有参与训练的客户端的数目，sk为客户端k的适配度；
28、根据所述权重重分配系数对所述局部模型进行聚合，获取所述新的全局模型。
29、可选的，所述新的全局模型为：
30、
31、其中，代表第i个客户端的局部模型，wt代表全局模型，代表边缘客户端i的数据的总数目，代表所有客户端的数据的总数目。
32、本专利技术的有益效果为：本专利技术方法能够在不共享数据的异构环境中，同时保持系统的安全性能，并提高物联网系统和设备的性能。这种方法主要针对物联网设备的异构性问题，通过特征增强和负增益聚合技术，优化了在异构数据环境下的ai模型性能，从而在保护隐私的同时提升系统的整体效能。
本文档来自技高网...【技术保护点】
1.基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，包括：
2.根据权利要求1所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，所述S2中所述边缘客户端通过特征增强对所述当前全局模型进行本地模型训练包括：
3.根据权利要求2所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，采用多向投影特征增强方法对主体训练之后特征进行增强包括：
4.根据权利要求3所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，利用多向投影窗和注意力对所述中间数据进行增强，获取第一输出特征包括：
5.根据权利要求4所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，利用多向投影窗对中间数据Fk和Fv进行特征增强为：
6.根据权利要求1所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，所述S3中所述参数适配度根据所述边缘客户端的数据资源和初始全局模型得到。
7.根据权利要求1所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，
8.根据权利要求7所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，所述新的全局模型为：
...【技术特征摘要】
1.基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，包括：
2.根据权利要求1所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，所述s2中所述边缘客户端通过特征增强对所述当前全局模型进行本地模型训练包括：
3.根据权利要求2所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，采用多向投影特征增强方法对主体训练之后特征进行增强包括：
4.根据权利要求3所述的基于多向投影特征增强和负增益聚合的物联网安全方法，其特征在于，利用多向投影窗和注意力对所述中间数据进行增强，获取第一输出特征包括：
5.根据权利要...
【专利技术属性】
技术研发人员：刘苗，谷越，孙振兴，滕秀明，宋千喜，
申请(专利权)人：无锡学院，
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。