基于时空统计感知的联邦数据安全自适应检测修复方法
本发明属于分布式人工智能与智能医疗,涉及一种基于时空统计感知的联邦数据安全自适应检测修复方法。
背景技术:
1、随着分布式人工智能与联邦学习的快速发展,越来越多的应用场景开始依赖多终端协同训练来提升模型性能。在医疗领域中,医院存储的医疗数据无需集中上传,而是通过本地训练与参数共享的方式参与全局模型的构建,从而在一定程度上缓解了传统集中式训练带来的患者隐私泄露风险。然而,联邦学习框架在保障隐私的同时,也面临新的安全挑战:一旦某些医院上传的参数存在异常,便可能对全局模型造成污染,导致模型性能下降甚至引发数据安全隐患。
2、目前的研究主要集中在联邦优化与隐私保护两个方面。例如,在联邦优化中,研究者提出了多种聚合策略以提升模型的收敛速度和准确性,但这些方法往往假设医院上传的数据是可信的,缺乏对潜在异常的防御能力。然而实际情况下,医院的数据往往取决于设备精度和医生经验,例如对于复杂疾病,医生的误诊率高达10%。在隐私保护方面,已有工作通过同态加密、差分隐私等技术来防止原始数据泄露,但这些方法的重点在于保护数据不被外部窃取,而非识别内部的异常甚至恶意数据来源。因此,当某些医院上传的参数存在异常时,现有方法往往无法及时检测和隔离,导致全局模型受到污染。在医疗数据安全检测方面,传统方法大多依赖集中式的异常检测机制,需要访问原始数据或进行额外的算力训练。这不仅增加了系统开销,也违背了联邦学习的隐私保护初衷。同时,常规的防御方法缺乏对模型参数分布的细粒度感知,难以在多家医院参与的环境下快速识别潜在的异常数据来源。例如,部分方法通过设定固定的规则来判断数据是否异常,但在面对复杂的非线性模型和动态的分布式环境时,这些方法往往表现不佳,既无法保证检测的准确性,也难以适应医疗场景下的安全需求。联邦学习系统具有用户数量庞大、单个客户端数据量有限的特点,常规的忘却或修正方法在面对数据异常时往往需要整体重训练或大规模同步操作,既不切合实际,也难以保证检测与修正的效率与准确性,尤其是在大规模分布式环境中。如何在不增加额外通信开销的情况下实现高效的医疗数据安全检测,成为亟待解决的重要问题。
技术实现思路
1、为了解决在联邦学习框架下,如何在不访问原始数据的前提下实现对医院上传参数的安全性检测与异常识别问题,本发明提出了一种基于时空统计感知的联邦数据安全自适应检测修复方法。该方法的核心思想是:各客户端利用自身数据进行本地训练,并将参数上传至中央服务器;中央服务器通过对各维度参数进行均值与方差的统计分析,形成对模型整体分布特性的全局感知矩阵;基于该感知矩阵进行空间异常检测,统计各客户端异常参数比例并判定空间异常;同时通过指数加权移动平均方法为每个客户端建立历史参数轨迹基准,监测时序一致性偏离度及其变化趋势,实现时序行为异常检测;当空间异常或时序异常任一判定触发时,基于正常客户端集合构建安全参考模型,对异常客户端参数进行投影修正,并以自适应降权方式参与聚合,实现信息最大化利用。本发明通过引入时空统计感知与自适应修复机制,使服务器能够在全局聚合过程中对各客户端上传的参数进行多维度异常判定与自适应修复,不仅能够在无需访问原始数据的情况下实现对异常数据的快速检测与隔离,还避免了对全局模型的重复训练,显著提升了系统的安全性、鲁棒性与隐私保护能力。
2、本发明的技术方案如下:
3、本发明第一方面提供了一种基于时空统计感知的联邦数据安全自适应检测修复方法,包括客户端本地训练与参数上传机制、基于统计感知的空间异常检测方法、基于时序一致性跟踪的异常行为检测方法、以及自适应安全聚合修复方法;具体步骤如下:
4、步骤1:各客户端利用自身本地医疗数据在本地进行模型训练,并将训练得到的参数上传至中央服务器,避免原始数据的集中存储与传输;
5、步骤2:中央服务器对所有客户端上传的参数进行一维展开处理,分别计算各维度展开参数的均值与方差,形成对全局模型分布特性的感知矩阵;
6、步骤3:基于所述感知矩阵,统计各客户端各维度展开参数中异常参数的比例,当异常参数的比例超过预设阈值时,则判定该客户端本地模型存在空间异常,其数据存在潜在安全风险;
7、步骤4:为每个客户端建立历史模型参数轨迹库,采用指数加权移动平均方法计算参数轨迹基准,并基于所述参数轨迹基准计算当前参数更新的一致性偏离度和偏离度变化率;当一致性偏离度超过动态阈值或偏离度变化率超过预设阈值时,判定该客户端存在时序行为异常;
8、步骤5:当步骤3或步骤4任一判定客户端存在异常时,系统触发自适应安全聚合修复机制,基于正常客户端集合的参数构建安全参考模型,基于所述安全参考模型对异常客户端参数进行方向修正并基于修正后的方向偏离度计算自适应聚合权重,使偏离度较小的异常客户端仍能以降权方式参与聚合,在避免异常污染的同时最大化信息利用率。
9、进一步的,所述步骤1中,各客户端进行本地模型训练的步骤如下:
10、步骤1.1:对于轮联邦训练,中央服务器发送全局模型给客户端集群},为客户端数量;
11、步骤1.2:客户端使用其本地医疗数据进行本地训练,使用目标函数对本地模型进行训练,其中,是客户端的数据集大小,,为客户端的本地模型,为本地医疗数据中的数据,为损失函数;
12、步骤1.3:客户端对其本地模型进行更新,得到新一轮的本地模型:
13、
14、其中,表示学习率大小,表示模型梯度;
15、步骤1.4:训练结束后,客户端将训练结束的本地模型发送给中央服务器。
16、进一步的,所述步骤2中,所述感知矩阵由各维度展开参数的均值和方差构成,具体计算步骤如下:
17、步骤2.1:中央服务器对接收到的客户端的本地模型进行一维展开处理,展开参数表示为,表示客户端展开模型的第个参数;
18、步骤2.2:对所有客户端在本地模型同一维度位置的参数求均值,以反映该维度在全局范围的中心位置与共同趋势,均值计算公式为:
19、
20、其中,表示第个参数维度的全局均值;
21、步骤2.3:对同一维度的参数进行方差估计,以揭示跨客户端的波动水平与稳定性特征,方差估计公式为:
22、
23、其中, 表示第个参数维度的方差,越大,表示该维度在不同客户端间的不一致性越高。
24、进一步的,所述步骤3中,基于感知矩阵的客户端本地模型空间异常检测的具体步骤如下:
25、步骤3.1:为控制检测敏感度,设定倍数阈值;若客户端的某维度参数相对均值的偏差超过倍标准差,则该参数视为异常;判断参数异常的公式为:
26、
27、步骤3.2:对于所有参数维度,统计客户端的异常参数比例,以衡量其整体异常程度并为风险判定提供量化依据;具体的统计公式为:
28、
29、其中,为指示函数,表示异常参数在全参数维度中的占比;
30、步骤3.3:设定危险阈值;当时,认定客户端为异常客户端,标记为空间异常,并进入隔离与复核流程。
31、进一步的,步骤3.1中,取值2~3;步骤3.3中,。
32、进一步的,所述步骤4中,基于时序一致性跟踪的客户端异常行为检测的具体步骤如下:
33、步骤4.1:为每个客户端建立历史模型参数轨迹库,存储其最近轮的历史模型参数,其中={}表示客户端第轮本地模型参数,表示客户端第轮本地模型参数在第维度的参数,为轨迹库深度;
34、步骤4.2:采用指数加权移动平均(ewma)方法计算参数轨迹基准:
35、
36、其中,表示客户端第轮在第维度的参数轨迹基准;为平滑系数,越大表示越重视近期更新;ewma对近期偏离更敏感,对历史偏离逐渐衰减,形成稳定的轨迹基准;
37、步骤4.3:计算当前参数更新与参数轨迹基准的一致性偏离度:
38、
39、其中,表示客户端在第轮的一致性偏离度,表示l2范数;衡量客户端在第轮的参数更新偏离其历史轨迹的程度,正常客户端偏离度小且稳定,异常客户端偏离度大或波动剧烈;
40、步骤4.4:计算偏离度变化率,用于检测偏离度的动态变化:
41、
42、其中,表示偏离度增大,表示偏离度减小,表示偏离度稳定;
43、步骤4.5:当或时,判定客户端存在时序行为异常;其中,为动态阈值,为预设的变化率阈值。
44、进一步的,步骤4.5中,所述动态阈值基于历史偏离度计算:
45、
46、其中,为客户端历史偏离度的均值,为历史偏离度的标准差;为灵敏度系数,取值范围2~3;动态阈值避免了固定静态阈值问题,能够根据各客户端的历史偏离水平自适应调整。
47、进一步的,所述步骤5中,自适应安全聚合修复机制,具体包括:
48、步骤5.1:将所有判定为空间异常或时序异常的客户端加入异常客户端集合,正常客户端组成正常客户端集合;
49、步骤5.2:基于正常客户端集合的参数,构建安全参考模型:
50、
51、其中,表示第轮的安全参考模型,为正常客户端集合,为正常客户端数量,为正常客户端第轮的本地模型参数;安全参考模型代表正确方向,用于校准异常客户端的参数;
52、步骤5.3:对判定为异常的客户端,计算其参数与安全参考模型的方向偏离度:
53、
54、其中,表示异常客户端第轮的本地模型参数与安全参考模型的方向偏离度;为异常客户端第轮的本地模型参数;
55、步骤5.4:对所述方向偏离度进行投影修正,保留与安全参考模型方向一致的分量:
56、
57、其中,表示修正后的方向偏离度;投影修正将异常偏离投影到安全参考方向上,保留与参考方向一致的分量,剔除与参考方向相反或垂直的恶意分量;
58、步骤5.5:根据安全参考模型与投影修正后的方向偏离度,计算异常客户端修正后的模型参数:
59、
60、其中,表示异常客户端第轮修正后的模型参数,其第维分量为,即;
61、步骤5.6:根据修正后的方向偏离度计算自适应聚合权重:
62、
63、其中,为衰减系数,控制权重下降速率;方向偏离度越小则越接近1,方向偏离度越大则越接近0;
64、步骤5.7:将修正后的异常客户端参数以自适应权重参与聚合,得到下一轮全局模型参数:
65、
66、其中,表示异常客户端第轮修正后的第维参数,表示正常客户端第轮的第维参数;正常客户端参数全权重参与聚合,异常客户端修正参数以自适应权重降权参与聚合,实现信息最大化利用;
67、步骤5.8:将所有更新参数汇组为新一轮全局模型,随后下发至各客户端,开启下一轮联邦训练循环。
68、进一步的,所述医疗数据包括mri图像数据或ct图像数据等。
69、本发明第二方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并能在所述处理器上运行的计算机程序;其特征在于,所述处理器执行所述计算机程序时,使得所述电子设备执行所述的基于时空统计感知的联邦数据安全自适应检测修复方法。
70、本发明的有益效果:本发明通过统计感知矩阵与时序一致性追踪相结合的联合检测机制,能够快速确定医院上传参数在全局模型中的分布特性,并基于均值与方差的计算结果识别潜在异常维度。具体而言,空间偏离检测通过统计各维度参数的异常比例,时序一致性追踪通过指数加权移动平均监测各医院历史偏离度的变化趋势,两种检测机制互补协同,显著提升了异常检测的全面性与准确性。本发明提出自适应安全聚合修复机制,通过构建安全参考模型对异常医院参数进行方向投影修正,保留与安全参考方向一致的有用分量,剔除恶意偏离分量,并以自适应降权方式参与全局聚合,在隔离异常污染的同时最大化利用可用信息,避免了简单剔除异常医院导致的信息损失。通过本发明方法,系统能够在联邦学习环境下实现对不安全数据的自适应检测与修复,无需访问医院原始数据,也无需对全局模型进行重训练,既提升了检测效率与模型鲁棒性,又有效保障了用户数据的隐私安全。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com