基于联邦学习的跨域IP线索冲突仲裁方法及系统与流程

摘要: 本技术涉及人工智能与信息安全,尤其涉及基于联邦学习的跨域ip线索冲突仲裁方法及系统。背景技术:1、联邦学习作为一种分布式机器学习范式,允许多个参与方在不共享原始...
基于联邦学习的跨域IP线索冲突仲裁方法及系统与流程

本技术涉及人工智能与信息安全,尤其涉及基于联邦学习的跨域ip线索冲突仲裁方法及系统。

背景技术:

1、联邦学习作为一种分布式机器学习范式,允许多个参与方在不共享原始数据的情况下协作训练全局模型。在跨域ip线索冲突仲裁场景中,为了判定模型中关键决策特征的归属与贡献度,通常采用神经元谱系追踪技术来识别对特定预测负责的参与方,同时采用模型水印或指纹技术来验证参与方的身份与参与事实,这两类技术在现有架构中通常作为独立的验证模块串行部署。

2、然而,在实际应用过程中,神经元谱系追踪生成的贡献归属结论与模型水印提供的参与事实证明往往处于数据隔离状态。当仲裁方依据谱系追踪定位出某参与方为主要贡献者时,该结论仅依赖于模型内部的梯度或激活值分析,缺乏来自同一神经元层面的独立物理证据佐证;与此同时,水印检测虽能确认参与方的训练行为,但其嵌入位置与谱系追踪的关键路径在空间上并不重合,导致检测到的参与事实无法直接映射到具体的ip特征贡献度上。由于两类信息在产生机制与承载载体上的物理分离,当谱系追踪指向的贡献者与水印验证的参与者不一致时,仲裁系统缺乏在同一技术维度内对两路异构信息进行比对与融合的内在机制,使得归属结论与参与事实之间难以形成闭环验证,进而导致仲裁结果面临证据链断裂的风险。

技术实现思路

1、针对现有技术存在的谱系追踪与水印验证相互独立,导致仲裁结论缺乏交叉验证的问题,本技术通过基于联邦学习的跨域ip线索冲突仲裁方法及系统,实现溯源信息与标识信息在同一脉冲序列中的时域复用与交叉校准。

2、为达到上述目的,本技术采用如下技术方案:

3、第一方面,基于联邦学习的跨域ip线索冲突仲裁方法,包括:获取全局脉冲神经网络模型。针对目标模型特征输入测试数据,获取目标神经元的脉冲序列。从脉冲序列的脉冲时序特征中提取溯源信息,生成第一评估结果,第一评估结果用于表征参与方对目标模型特征的贡献度。从脉冲序列的脉冲发放特征中提取标识信息,生成第二评估结果,第二评估结果用于表征参与方对目标模型特征的参与度。响应于第一评估结果与第二评估结果之间的偏差满足预设交叉校准触发条件,对第一评估结果和第二评估结果执行交叉校准处理,得到校准后的第一评估结果和校准后的第二评估结果。响应于第一评估结果与第二评估结果之间的偏差不满足预设交叉校准触发条件,将第一评估结果和第二评估结果分别记为校准后的第一评估结果和校准后的第二评估结果。基于校准后的第一评估结果和校准后的第二评估结果,生成针对目标模型特征的综合仲裁结论。

4、上述方案通过将全局模型构建为脉冲神经网络,并利用脉冲序列同时承载溯源信息与标识信息,即可在两路评估结果出现偏差时,自动触发交叉校准,实现贡献度与参与度在神经元粒度的双向锚定与融合判定。

5、结合上述第一方面,在一种可能的实现方式中,脉冲时序特征和脉冲发放特征在脉冲序列中呈时域复用关系。脉冲时序特征包括单脉冲的精确发放时刻或高频时间数据,用于承载溯源信息。脉冲发放特征包括预设时间窗口内的脉冲发放率或低频发放模式,用于承载标识信息。

6、结合上述第一方面,在一种可能的实现方式中,从脉冲序列的脉冲时序特征中提取溯源信息,生成第一评估结果的过程,包括:获取目标神经元在预设时间窗口内的脉冲发放时刻集合。针对脉冲发放时刻集合中的各发放时刻,计算全局脉冲神经网络模型的预测输出对目标神经元,在发放时刻的脉冲状态的梯度,并结合时间衰减权重进行加权求和,得到目标神经元的脉冲时序影响分数。选取脉冲时序影响分数满足预设重要性条件的目标神经元,记为关键神经元,得到关键神经元集合。针对关键神经元集合中的各关键神经元,确定关键神经元是否映射到参与方的本地神经元,将成功映射的关键神经元记为目标关键神经元。基于所确定的目标关键神经元的脉冲时序影响分数,计算参与方对目标模型特征的谱系贡献分数,作为第一评估结果。

7、结合上述第一方面,在一种可能的实现方式中,针对关键神经元集合中的各关键神经元,确定关键神经元是否映射到参与方的本地神经元的过程,包括:针对关键神经元集合中的各关键神经元,获取关键神经元在相同输入下的第一脉冲响应曲线,并获取参与方的本地神经元的第二脉冲响应曲线。计算第一脉冲响应曲线与第二脉冲响应曲线之间的动态时间规整距离。选取动态时间规整距离最小的本地神经元,记为关键神经元的映射目标。响应于关键神经元成功映射到参与方的本地神经元,将关键神经元的脉冲时序影响分数累加至参与方的谱系贡献分数中。

8、结合上述第一方面,在一种可能的实现方式中,从脉冲序列的脉冲发放特征中提取标识信息,生成第二评估结果的过程,包括:获取与参与方对应的预设参与方标识模板,预设参与方标识模板包含指定神经元索引、相对时间偏移以及期望的脉冲发放符号,脉冲发放符号用于指示在对应时刻应发放脉冲或保持沉默。针对预设参与方标识模板中的各指定神经元索引,获取对应的目标神经元在相对时间偏移指示的时间窗口内的实际脉冲状态。基于实际脉冲状态与期望的脉冲发放符号之间的差异,计算脉冲序列匹配度。响应于脉冲序列匹配度超过预设匹配阈值,将脉冲序列匹配度记为指纹检测强度,生成第二评估结果。

9、结合上述第一方面,在一种可能的实现方式中,响应于第一评估结果与第二评估结果之间的偏差满足预设交叉校准触发条件,对第一评估结果和第二评估结果执行交叉校准处理,得到校准后的第一评估结果和校准后的第二评估结果的过程,包括:响应于第一评估结果高于第一预设阈值,且第二评估结果低于第二预设阈值,触发映射关系二次校验,对第一评估结果对应的神经元映射关系进行重新校验,得到校准后的第一评估结果。响应于第二评估结果高于第三预设阈值,且第一评估结果低于第四预设阈值,触发标识残留重估,基于时间衰减因子对第二评估结果进行校正,得到校准后的第二评估结果。

10、结合上述第一方面,在一种可能的实现方式中,基于校准后的第一评估结果和校准后的第二评估结果,生成针对目标模型特征的综合仲裁结论的过程,包括:基于第一权重系数和校准后的第一评估结果,以及第二权重系数和校准后的第二评估结果,计算参与方对目标模型特征的综合仲裁分数。第一权重系数与第二权重系数之和为预设归一化值。响应于综合仲裁分数大于第一置信度阈值,且综合仲裁分数与其他参与方的综合仲裁分数之差大于裕度阈值,生成综合仲裁结论,综合仲裁结论用于表征参与方为目标模型特征的唯一贡献者。响应于各参与方的综合仲裁分数均大于第二置信度阈值,生成表征预设个参与方为目标模型特征的联合贡献者的综合仲裁结论,并按综合仲裁分数的比例分配贡献度。响应于不满足唯一贡献者和联合贡献者的判定条件,生成表征证据不足的综合仲裁结论。其中,第一置信度阈值高于第二置信度阈值。

11、结合上述第一方面,在一种可能的实现方式中,获取全局脉冲神经网络模型的过程,包括:获取基于预设个参与方各自的本地脉冲神经网络模型,进行脉冲活动加权聚合,得到全局脉冲神经网络模型。其中,全局脉冲神经网络模型中的目标神经元具备逼近预设参与方标识模板的脉冲发放模式,预设参与方标识模板包含指定神经元索引、相对时间偏移以及期望的脉冲发放符号。脉冲发放模式为在模型训练阶段,通过最小化指纹嵌入损失函数得到,指纹嵌入损失函数基于目标神经元的实际脉冲状态与预设参与方标识模板中的期望的脉冲发放符号之间的差异构建。

12、第二方面,提供基于联邦学习的跨域ip线索冲突仲裁系统,该系统具体包括:模型获取模块,用于获取全局脉冲神经网络模型。序列获取模块,用于针对目标模型特征输入测试数据,获取目标神经元的脉冲序列。第一评估模块,用于从脉冲序列的脉冲时序特征中提取溯源信息,生成第一评估结果,第一评估结果用于表征参与方对目标模型特征的贡献度。第二评估模块,用于从脉冲序列的脉冲发放特征中提取标识信息,生成第二评估结果,第二评估结果用于表征参与方对目标模型特征的参与度。交叉校准模块,用于响应于第一评估结果与第二评估结果之间的偏差满足预设交叉校准触发条件,对第一评估结果和第二评估结果执行交叉校准处理,得到校准后的第一评估结果和校准后的第二评估结果。仲裁输出模块,用于基于校准后的第一评估结果和校准后的第二评估结果,生成针对目标模型特征的综合仲裁结论。

13、结合上述第二方面,在一种可能的实现方式中,该系统还包括:神经形态计算芯片,用于基于事件驱动机制,执行脉冲序列的获取以及脉冲时序特征和脉冲发放特征的提取。其中,第一评估模块和第二评估模块部署于神经形态计算芯片中,用于利用神经形态计算芯片的脉冲稀疏性降低计算资源消耗。

14、本技术提供基于联邦学习的跨域ip线索冲突仲裁方法及系统,通过获取全局脉冲神经网络模型,并针对目标模型特征输入测试数据,来获取目标神经元的脉冲序列,即可利用脉冲神经网络特有的时间动力学特性,使同一脉冲序列在时域上同时承载表征贡献度的溯源信息与表征参与度的标识信息。这种时域复用机制,能够使两路评估信息,在物理层面同源产生且时空对齐,为后续的交叉验证奠定了数据基础。并结合监测第一评估结果与第二评估结果之间的偏差,来响应于预设交叉校准触发条件,执行交叉校准处理,即可有效地在两路信息不一致时,自动触发诊断与修正逻辑。最终让校准后的双路评估结果,生成综合仲裁结论,实现贡献归属与参与事实在神经元粒度的相互锚定与融合判定,有效解决现有技术中谱系追踪与水印验证相互独立导致的证据链断裂问题,从而提升跨域ip线索冲突仲裁的可验证性与准确性。

15、应当理解的是,本技术中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反,可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此,本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而,还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解,无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中,还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。