联邦学习时间同步异常检测与自适应修正方法及系统与流程

本申请涉及时间同步，具体是联邦学习时间同步异常检测与自适应修正方法及系统。

背景技术：

1、时间同步系统是智能电网(pmu)、5g通信网络、金融交易等关键信息基础设施的重要基础支撑。其异常检测旨在及时发现因卫星信号干扰、网络抖动、硬件故障或恶意攻击导致的节点间时间偏差异常。

2、传统检测方法包括：阈值检测法（简单但误报漏报率高）、统计分析法（对非平稳数据敏感）、专家系统（规则更新滞后）以及基于深度学习的集中式方法。其中，深度学习虽在时序异常检测上取得进展，但要求将所有节点的时间同步数据集中传输至中心服务器进行训练，在分布式网络中面临严峻挑战。

3、现有技术主要存在两大核心缺陷：

4、第一，数据孤岛与隐私泄露问题。分布式时间同步网络中，各节点数据分属不同运维主体，受数据可控性、商业机密和行业监管限制，难以集中汇总。更关键的是，时间偏差数据隐含敏感信息：gnss偏差序列可反推设备位置与轨迹，金融时间戳可能暴露交易策略。直接共享原始数据进行集中式训练，将引发严重的隐私合规风险。

5、第二，模型泛化与通信效率问题。不同节点的数据分布差异显著（gnss信号质量、链路状态、硬件老化各异），集中式模型易偏向数据量大的典型节点，对边缘场景检测能力不足。同时，高频采样数据（100-1000次/秒）的持续传输导致巨大通信开销，且数据汇聚引入的延迟难以满足毫秒级实时响应要求。

技术实现思路

1、有鉴于此，本申请的目的是提供联邦学习时间同步异常检测与自适应修正方法及系统，以解决背景技术中的问题。

2、为了实现上述目的，本申请采用了如下技术方案：

3、本申请的联邦学习时间同步异常检测与自适应修正方法，包括步骤：

4、获取多个边缘检测节点在多个历史时间段的时间偏差序列样本，并获取多个边缘检测节点在当前时间段的当前时间偏差序列，其中，所述时间偏差序列样本和所述当前时间偏差序列均包括多个时间偏差值，时间偏差值由本地时间信号和外部基准信号确定；

5、基于多个边缘检测节点的时间偏差序列样本和预设的联邦学习架构训练得到异常检测模型，其中，所述异常检测模型部署在多个边缘检测节点以及中央服务器；

6、使用部署在边缘检测节点本地的异常检测模型对边缘检测节点的时间偏差序列进行异常检测，得到异常检测结果，其中，所述异常检测结果包括综合异常得分以及异常类型；

7、基于所述异常检测结果对边缘检测节点的本地时间信号进行自适应修正，得到修正后的本地时间信号。

8、本申请还提供联邦学习时间同步异常检测与自适应修正系统，包括：

9、获取模块，用于获取多个边缘检测节点在多个历史时间段的时间偏差序列样本，并获取多个边缘检测节点在当前时间段的当前时间偏差序列，其中，所述时间偏差序列样本和所述当前时间偏差序列均包括多个时间偏差值，时间偏差值由本地时间信号和外部基准信号确定；

10、联邦学习模块，用于基于多个边缘检测节点的时间偏差序列样本和预设的联邦学习架构训练得到异常检测模型，其中，所述异常检测模型部署在多个边缘检测节点以及中央服务器；

11、异常检测模块，用于使用部署在边缘检测节点本地的异常检测模型对边缘检测节点的时间偏差序列进行异常检测，得到异常检测结果，其中，所述异常检测结果包括综合异常得分以及异常类型；

12、自适应修正模块，用于基于所述异常检测结果对边缘检测节点的本地时间信号进行自适应修正，得到修正后的本地时间信号。

13、本申请的有益效果是：本申请的联邦学习时间同步异常检测与自适应修正方法及系统，通过联邦学习架构实现各节点原始时间偏差序列始终保留本地、仅交换模型参数更新量，从根本上破解了数据分属不同主体难以集中汇总的数据孤岛困境，并切断了敏感信息通过原始数据汇聚而泄露的路径；全局模型聚合多节点数据分布特征，克服了集中式模型偏向数据量大的典型节点、对边缘场景检测能力不足的缺陷；异常检测在边缘节点本地完成推理，消除了高频采样数据持续上传带来的带宽消耗和数据汇聚延迟，满足了毫秒级实时响应要求；基于模型输出的综合异常得分与异常类型进行自适应判定与修正，克服了阈值法误报漏报率高、统计分析法对非平稳环境敏感及专家系统规则更新滞后的不足；检测与修正形成闭环协同，使时间同步系统从被动告警升级为主动维护，保障了系统运行的可靠性和安全性。

1.联邦学习时间同步异常检测与自适应修正方法，其特征在于，包括：

2.根据权利要求1所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，所述异常检测模型包括：

3.根据权利要求1所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，基于多个边缘检测节点的时间偏差序列样本和预设的联邦学习架构训练得到异常检测模型，包括：

4.根据权利要求3所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，在所述目标节点本地基于所述时间偏差序列样本，对初始模型执行多轮随机梯度下降训练，包括：

5.根据权利要求3所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，根据上一轮各边缘检测节点的本地损失改善量与在线时长，采用加权轮盘赌算法选举出本轮参与的目标节点子集，包括：

6.根据权利要求3所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，对所述参数更新量依次执行本地差分隐私加噪、自适应保留比例压缩量化与同态加密，得到参数密文，包括：

7.根据权利要求3所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，在不对参数密文进行解密的情况下，对来自多个目标节点的参数密文进行校验剔除以及密文态联邦平均，得到聚合密文，包括：

8.根据权利要求1所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，基于所述异常检测结果对边缘检测节点的本地时间信号进行自适应修正，得到修正后的本地时间信号，包括：

9.根据权利要求8所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，还包括：

10.根据权利要求8所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，在完成修正后，还包括：

11.根据权利要求3所述的联邦学习时间同步异常检测与自适应修正方法，其特征在于，基于动量加速机制以及所述聚合梯度对所述全局模型参数进行修正，包括：

12.联邦学习时间同步异常检测与自适应修正系统，其特征在于，包括：