一种基于异步联邦学习的计量自动化终端芯片加密方法与流程

本发明涉及数据加密，具体为一种基于异步联邦学习的计量自动化终端芯片加密方法。

背景技术：

1、为了保证计量自动化终端的隐私安全，终端的安全芯片加密是必不可少的，一旦安全芯片密码被攻破将会对用户和公司造成巨大的经济损失，仅用传统的差分隐私和同态加密是远远不够的。联邦学习作为一种新型分布式机器学习，相比传统的机器学习在隐私保护方面有很大的优势，注重“端对端加密技术”，使每个边缘节点的密钥都是独一无二的，同时在参数服务器进行全局更新时能生成新的参数模型，保证终端安全芯片的安全性。但是传统的同步联邦学习十分依赖参数服务器的全局模型更新，而全局模型更新需要各节点收集并上传各自的参数模型，单个节点的参数上传缓慢将会影响全局参数模型更新的速率，存在单节点隐私泄露的危险。

2、因此，亟需一种基于异步联邦学习的计量自动化终端芯片加密方法，可以解决传统技术方案中模型训练效率低下，各节点资源闲置以及单节点隐私泄露等问题，提高终端的隐私性和可用性。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述存在的问题，提出了本发明。

3、因此，本发明解决的技术问题是：现有的计量自动化终端芯片加密方法存在模型训练效率低下，各节点资源闲置以及单节点隐私泄露，以及如何提升终端的隐私性和可用性的优化问题。

4、为解决上述技术问题，本发明提供如下技术方案：一种基于异步联邦学习的计量自动化终端芯片加密方法，包括：

5、分节点从服务器下载初始化全局模型，收集并上传终端的独特信息，做出区分；

6、服务器确认终端的独特信息，针对终端制作不同的密钥，传至终端，终端根据密钥进行加密，并进行一轮联邦学习，学习完成后上传梯度值；

7、进行梯度值修正并判断有效梯度值，根据上传的终端梯度值，服务器进行全局参数模型更新。

8、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：所述特有信息包括，终端序列号、终端资产编号、用户编号。

9、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：所述终端根据密钥进行加密包括，根据终端不同的梯度值加密特征参数进行更新和扰动；

10、参数服务器发布一个初始化模型节点终端下载初始化模型然后进行更新，计算局部模型梯度，表示为：

11、

12、其中，表示梯度计算，xj和yj分别表示本地训练数据集和样本数据集，为上一轮计算的局部模型，i为学习轮数，j为数据集第j个数据，bi表示本地数据的批次大小，l表示损失函数，为第k轮局部模型迭代中局部模型梯度值；

13、对局部模型进行更新，表示为：

14、

15、其中，ηi为模型的学习速率。

16、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：所述扰动包括，分配隐私预算，添加噪声给关键的梯度值；

17、采样隐私梯度，并进行梯度绝对值可用性计算，表示为：

18、

19、其中，u表示梯度绝对值；

20、总隐私预算ε1对r个梯度值的分配表示为：

21、

22、其中，l表示梯度值取值，pr表示隐私预算privacy函数，exp表示以e为底的指数函数，δ表示增量；

23、利用拉普拉斯机制为关键的梯度值添加隐私预算噪声ε2，对r个梯度值中剩下的r-n个梯度值增加隐私预算噪声ε3，表示为：

24、

25、其中，当l＝1,2,…,r时，m＝2，当l＝r+1,r+2,…,n时，m＝3，是参数为的拉普拉斯噪声，q表示尺度参数，计算得到扰动后的梯度值

26、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：所述梯度值修正包括，通过异步联邦学习的双重权重计算，判断有效梯度值，双重权重包括样本权重和参数权重，样本权重表示为：

27、

28、其中，di表示单个节点终端的样本数，d表示总样本数，表示为：

29、

30、其中，dj表示终端的节点数。

31、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：所述异步联邦学习包括，参数服务器进行参数更新同步进行参数陈旧度计算，表示为：

32、μstaleness＝iupload-idownload

33、其中，μstaleness表示终端节点经过一次参数迭代，参数服务器进行参数迭代的次数，i表示学习轮数。

34、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：所述梯度值修正还包括，减缓终端节点的衰减过程，设置的衰减函数，表示为：

35、

36、其中，表示节点i的陈旧度，a为可调节衰减参数体现终端节点衰减的速度。

37、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：所述服务器进行全局参数模型更新包括，节点终端上传的梯度值经过双重权重修正后参与全局参数模型的优化和更新，双重权重修正表示为：

38、

39、′

40、其中，θ表示进行过双重权重修正的模型参数，θ表示原始模型参数；

41、当上传的有效梯度值达到全局参数模型预设更新需求时，参数服务器根据这一轮的梯度值对全局参数模型进行优化更新，更新结束后节点将下载新的参数模型并进行新一轮的异步联邦学习。

42、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现一种基于异步联邦学习的计量自动化终端芯片加密方法。

43、作为本发明所述的基于异步联邦学习的计量自动化终端芯片加密方法的一种优选方案，其中：一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种基于异步联邦学习的计量自动化终端芯片加密方法。

44、本发明的有益效果：本发明提供的基于异步联邦学习的计量自动化终端芯片加密方法，使用异步联邦学习算法代替传统的联邦学习算法，提升各节点收集并上传各自的参数模型的速度并降低单节点隐私泄露的危险。通过更新和扰动两个阶段，利用隐私梯度采样法，保证了模型的梯度值不会被逆向推理攻破，提高模型的隐私保护性。利用异步联邦学习中差分隐私机制，每个节点终端都有自己的专属密钥，同时随着联邦学习的迭代，密码也会改变，保证了芯片密码的安全性。本发明在保密性、终端训练效率和抗可靠性等方面都取得更加良好的效果。