一种基于频域筛选与模型回滚的鲁棒联邦学习方法及系统

本发明属于联邦学习，尤其涉及一种基于频域筛选与模型回滚的鲁棒联邦学习方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、在跨医院医学影像协同分析场景中，现有的集中式训练需要共享包含严重隐私的原始医学影像，违反医疗数据隐私法规；而联邦学习在跨机构协同中，中心医疗云服务器无法直接观测各参与医院本地的影像数据质量与训练过程。若网络中存在被恶意控制的医疗影像工作站，发起破坏诊断模型收敛的投毒攻击，会导致全局医学诊断网络发生不可逆的偏差，进而可能引发误诊、漏诊等严重医疗事故。

3、首先，传统的鲁棒聚合方案存在计算效率瓶颈。随着医疗辅助诊断模型的深度神经网络规模的扩大和高维参数空间的增加，全参数级别的距离计算与统计分析会导致计算复杂度和内存消耗呈指数级增长。这不仅难以适配计算资源受限的医院边缘设备，更严重损害了联邦学习系统的实时性，影响辅助诊断的准确性。其次，现有的抗投毒方案大多依赖于单轮、静态的统计阈值筛选，防御逻辑过于扁平化。这种单层防御机制在面对高级隐蔽性投毒攻击时效果变差。攻击者可以采取“长期潜伏、瞬间爆发”的策略，在前期通信轮次中伪装成良性节点上传正常梯度更新以建立历史信任并拉低系统的防备阈值，随后在特定轮次突然发起攻击。这种前期正常、后期突变的隐蔽攻击，能够轻易绕过传统仅依赖当前轮次数据的静态粗粒度筛选机制，造成医疗数据的隐私泄露。最后，现有的联邦学习防御架构无法在模型被破坏前感知到模型漂移，更无法撤销已执行的聚合操作，通常当发现模型被污染后重新进行训练，这会浪费大量的资源。

技术实现思路

1、为克服上述现有技术的不足，本发明提出了一种基于频域筛选与模型回滚的鲁棒联邦学习方法及系统，以解决现有联邦学习防御方案在面对医学图像的高维参数空间时计算开销巨大、单层静态筛选机制易被投毒攻击绕过，且缺乏聚合容错能力导致污染不可逆等问题。本发明既能显著降低计算负载又能对医院边缘计算设备进行历史动态追踪与多维行为审计，并在面临突发攻击时具备模型自动回滚能力，保障患者的隐私同时提高医院辅助诊断模型的准确率。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、第一方面，本发明公开了一种基于频域筛选与模型回滚的鲁棒联邦学习方法，包括：

4、中心医疗云服务器初始化全局模型与参数，并将模型参数广播至各医院客户端；

5、客户端基于所述全局模型，利用本地医学影像数据库进行训练得到本地梯度更新并提取频域特征；

6、云服务器对所述频域特征标准化后，采用四级量化机制生成自适应感知哈希指纹，采用中位数原则选择全局中心指纹，基于所述全局中心指纹对每个客户端的指纹进行筛选得到候选运行集合；

7、云服务器基于所述候选运行集合计算本轮试运行的全局模型位移量，结合各客户端的历史相似度分布，执行客户端的审计评估；

8、云服务器基于审计评估结果执行决策与回滚重聚。

9、第二方面，本发明公开了一种基于频域筛选与模型回滚的鲁棒联邦学习系统，包括：

10、初始化模块，其被配置为：中心医疗云服务器初始化全局模型与参数，并将模型参数广播至各医院客户端；

11、梯度频域无损映射模块，其被配置为：客户端基于所述全局模型，利用本地医学影像数据库进行训练得到本地梯度更新并提取频域特征；

12、频域结构粗筛模块，其被配置为：云服务器对所述频域特征标准化后，采用四级量化机制生成自适应感知哈希指纹，采用中位数原则选择全局中心指纹，基于所述全局中心指纹对每个客户端的指纹进行筛选得到候选运行集合；

13、试运行聚合模块，其被配置为：云服务器基于所述候选运行集合计算本轮试运行的全局模型位移量，结合各客户端的历史相似度分布，执行客户端的审计评估；

14、决策与回滚重聚模块，其被配置为：云服务器基于审计评估结果执行决策与回滚重聚。

15、第三方面，本发明公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述基于频域筛选与模型回滚的鲁棒联邦学习方法的步骤。

16、第四方面，本发明公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于频域筛选与模型回滚的鲁棒联邦学习方法的步骤。

17、与现有技术相比，本发明的有益效果为：

18、本发明改变了传统防御方案仅依赖单轮静态统计特征的局限性，通过建立客户端历史行为画像并实施突变审计，能够敏锐捕捉相似度指标在历史维度上的异常扰动。对于医疗网络中可能存在的被恶意控制的影像工作站，本发明能有效识别并剔除那些在训练前期伪装良好建立信任、中后期突然通过大幅度缩放因子发起攻击，或企图通过每轮微小拉偏模型造成累积污染的潜伏型恶意节点。这极大增强了医疗辅助诊断模型在复杂对抗环境下的生存能力，防止全局医疗知识库被恶意篡改而引发误诊或漏诊。

19、医疗辅助诊断对模型的准确性要求极高，不可逆的模型污染会带来严重的医疗事故隐患。本发明在聚合阶段创新性地实施了基于试运行-审计-回滚的架构，通过在正式更新前进行试运行聚合与模型漂移监测，赋予了系统撤销错误决策的能力。一旦检测到全局医疗诊断网络发生非预期偏移，系统可立即触发恐慌报警并回滚至安全快照状态，彻底阻断了恶意梯度合入全局模型的路径。这在投毒污染不可逆的医疗机构协同诊断行业中，确保了模型参数的绝对纯净，避免了模型被污染后重新训练所造成的巨大医疗算力浪费，最终实现全局辅助诊断模型的高精度、高鲁棒收敛。

20、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

1.一种基于频域筛选与模型回滚的鲁棒联邦学习方法，其特征在于，包括：

2.如权利要求1所述的一种基于频域筛选与模型回滚的鲁棒联邦学习方法，其特征在于，所述提取频域特征，具体为：将本地梯度更新展平为一维向量，对所述一维向量进行一维离散余弦变换（1d-dct）提取频域系数：

3.如权利要求1所述的一种基于频域筛选与模型回滚的鲁棒联邦学习方法，其特征在于，所述采用四级量化机制生成自适应感知哈希指纹，将连续特征映射为离散状态：

4.如权利要求1所述的一种基于频域筛选与模型回滚的鲁棒联邦学习方法，其特征在于，基于所述全局中心指纹对每个客户端的指纹进行筛选得到候选运行集合，具体地：

5.如权利要求1所述的一种基于频域筛选与模型回滚的鲁棒联邦学习方法，其特征在于，所述执行客户端的审计评估，包括突变检测、群体离群检测及全局恐慌检测；

6.如权利要求1所述的一种基于频域筛选与模型回滚的鲁棒联邦学习方法，其特征在于，所述云服务器基于审计评估结果执行决策与回滚重聚，具体为：

7.如权利要求6所述的一种基于频域筛选与模型回滚的鲁棒联邦学习方法，其特征在于，所述回滚机制，服务器废弃临时全局模型，将模型状态回滚至全局模型安全快照；从候选运行集合中精准剔除所有被标记的嫌疑医院边缘计算设备，构成干净集合；利用所述干净集合中的客户端的频域特征经离散余弦变换的逆变换恢复为空间域梯度张量，重新执行正式的加权聚合，并基于重新聚合后产生的真实位移更新系统漂移基准。

8.一种基于频域筛选与模型回滚的鲁棒联邦学习系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的基于频域筛选与模型回滚的鲁棒联邦学习方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的基于频域筛选与模型回滚的鲁棒联邦学习方法。