计算机应用

作者：罗玮, 刘金全, 张铮

单位：1.清华大学 水利水电工程系，北京 100084；2.国能大渡河大数据服务有限公司，成都 610016

关键词：水电数据,数据融合,联邦学习,推理攻击,数据隐私

基金：四川省重点研发计划项目(2021YFG0113)

针对水电行业中的跨媒体数据融合建模和隐私保护的问题，提出一种融合秘密分享技术的双重纵向联邦学习框架。首先，将各参与方节点进行分层，其中底层节点负责预建模，中间层节点负责预模型汇总与优化，中心方节点则生成最终模型；其次，为强化数据隐私性保护和防范推理攻击，引入基于秘密分享技术的中间参数保护机制，在该机制中数据拥有者与模型训练方之间的通信数据被碎片化分割，以确保模型参数与训练者的对应关系的隐蔽性，提高攻击者推理攻击的难度；最后，为优化联邦学习的模型聚合过程，引入基于信息量差异的节点评估机制，该机制综合考虑节点的相异度和数据量，精细权衡不同节点在模型聚合中的权重，并剔除疑似的恶意节点的贡献，从而优化模型的性能和收敛速度。实验数据集选取国电大渡河流域水电开发有限公司的真实数据，结果显示：基于秘密分享技术的中间参数保护机制相较于差分隐私保护机制，收敛过程更稳定，收敛速度提升约14.6%；引入基于信息量差异的节点评估机制，相较于联邦平均算法，收敛速度提升约13.5%。可见，所提框架解决了水电数据的跨媒体数据融合建模问题，并具有数据隐私保护和模型收敛加速的优势。

来源：2024年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第6期