摘要: 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,引入了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,确保了模型参数与训练者的对应关系的隐蔽性,提高了攻击者进行推理攻击的难度。最后,为优化联邦学习的模型聚合过程,引入了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,精细权衡不同节点的在模型聚合中的权重,并剔除疑似的恶意节点的贡献,从而优化了模型的性能和收敛速度。在实验部分,数据集选取为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比于差分隐私保护机制,收敛过程更为稳定,收敛速度提升14.2%;引入基于信息量差异的节点评估机制,相比于联邦平均算法,模型误差降低了3.7%,收敛速度提升13.4%。可见,所提出的方案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。
中图分类号: