中文字幕久久一区,婷婷五月色综合,久久精品视频在线观看

一种隐私保护的联邦学习框架

2022年电子技术应用第5期

杨东宁1，2，谢潇睿1，吉志坤3，姬维维3

1.云南电网有限责任公司信息中心，云南昆明650011；2.西南林业大学大数据与智能工程学院，云南昆明650224； 3.云南云电同方科技有限公司，云南昆明650220

摘要： 大数据时代，数据安全性和隐私性受到越来越多的关注和重视。联邦学习被视为是一种隐私保护的可行技术，允许从去中心化的数据中训练深度模型。针对电力投资系统中各部门因担心数据隐私信息泄露而带来的数据孤岛和隐私保护问题，提出了一种隐私保护的联邦学习框架，允许各部门自有数据在不出本地的情况下，联合训练模型。首先，提出了联邦学习的架构，支持分布式地训练模型；其次，引入同态加密技术，提出了隐私保护的联邦平均学习流程，在数据隐私保护的情况下，实现联合训练模型；最后，实验结果表明，该框架具有较好的收敛性，而且联合训练得到的模型具有较好的精度。

關鍵詞： 数据隐私联邦学习深度学习同态加密技术卷积神经网络

中圖分類號： TN711.1；TP311
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211828
中文引用格式： 楊東寧，謝瀟睿，吉志坤，等. 一種隱私保護的聯邦學習框架[J].電子技術應用，2022，48(5)：94-97，103.
英文引用格式： Yang Dongning，Xie Xiaorui，Ji Zhikun，et al. A privacy-preserving federated learning framework[J]. Application of Electronic Technique，2022，48(5)：94-97，103.

A privacy-preserving federated learning framework

Yang Dongning1，2，Xie Xiaorui1，Ji Zhikun3，Ji Weiwei3

1.Information Center，Yunnan Power Grid Co.，Ltd.，Kunming 650011，China； 2.School of Big Data and Intelligent Engineering，Southwest Forestry University，Kunming 650224，China； 3.Yunnan Yundian Tongfang Technology Co.，Ltd.，Kunming 650220，China

Abstract： In the era of big data, more and more attention has been paid to data security and privacy. Federated learning is regarded as a promising privacy-preserving technology, which allows training a deep model from decentralized data. To solve the problem of isolated data island and privacy protection caused by the fear of data privacy information leakage in the power investment system，this paper proposes a privacy-preserving federal learning framework, which allows departments to jointly train the model without releasing their local data. Firstly, a federated learning architecture is proposed to support distributed training model. Secondly, homomorphic encryption technology is introduced and a federal average learning process is proposed to realize the joint training model while the privacy of data are protected. Finally, the experimental results show that the framework has good convergence and the joint training model has good accuracy.

Key words : data privacy；federated learning；deep learning；homomorphic encryption；convolutional neural network

0 引言

大數據時代，數據的安全性和隱私性受到了越來越多的重視和關注^[1]。歐盟及我國都分別相繼通過了《一般數據法案》《歐洲數據保護通用條例》《中華人民共和國網絡安全法》等相關法案，以保護數據的安全和隱私。

南方電網公司“十四五”數字化規劃明確提出：電力智慧投資將以項目儲備庫為基礎，通過輸入約束條件和投資分配參數，并結合規劃部門的配網規劃數據、基建部門的基建結算數據和財務部門的財務數據，運用機器學習訓練生成的投資預測模型，自動生成投資計劃項目及費用估算建議。但是，目前的電力投資系統依賴集中式的方式訓練模型，要求訓練涉及的多方數據和訓練過程必須在數據中心。在此過程中，各部門自有數據中的隱私信息可能會被泄露。此外，各部門出于數據安全和隱私保護的需求，不可能將自有數據上傳到數據中心。因此，如何在確保各方數據安全和隱私的情況下打破數據孤島、共同訓練模型，成為了急需解決的挑戰。

聯邦學習使得機器學習或深度學習算法能從不同組織或部門的大量數據中獲得更好的經驗^[2]。這種技術允許多個組織或部門在數據不直接共享的情況下協作完成模型的聯合訓練^[3]。具體來講，各組織或部門的私有自有數據可以不離開本地，通過本地模型參數的更新和全局模型參數的聚合，在確保各自數據隱私性和安全性的情況下，聯合訓練一個共享的全局模型。因此，聯邦學習被視為解決數據孤島和打破數據壁壘的有效可行技術^[4]。

本文詳細內容請下載：http://www.tom3567.com/resource/share/2000004285。

作者信息：

楊東寧1，2，謝瀟睿1，吉志坤3，姬維維3

(1.云南電網有限責任公司信息中心，云南昆明650011；2.西南林業大學大數據與智能工程學院，云南昆明650224；

3.云南云電同方科技有限公司，云南昆明650220)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容