公开(公告)号：CN116862023A

公开(公告)日：2023-10-10

申请号：CN202310899140.6

申请日：2023-07-21

Applicant: 大连理工大学

Inventor： 覃振权 ,  孟维程 ,  卢炳先 ,  王雷 ,  朱明

IPC: G06N20/20 ,  G06F18/2323 ,  G06F18/23213 ,  G06F18/22 ,  G06F18/21

Abstract: 本发明属于联邦学习异常检测领域，公开了一种基于谱聚类的鲁棒联邦学习异常客户端检测方法。服务器通过建立预测模型、计算局部模型与预测模型的余弦相似度构建无向图；计算无向图的拉普拉斯矩阵得到样本集；服务器采用基于K‑means的谱聚类方法切割样本集，将客户端划分为三类，并根据不同客户端类别分别计算信任分数；同时服务器采用基于行为的信任赎回机制对不同客户端进行不同的处理。本发明使用谱聚类对客户端进行准确划分并进行信任评估，采用基于行为的信任赎回机制动态调整客户端的信任值，避免了客户端被误判为恶意而被彻底隔离出联邦学习过程，充分利用了客户端的数据资源，保证了联邦学习过程的完整性，从而确保全局模型的精度。

公开(公告)号：CN116528240A

公开(公告)日：2023-08-01

申请号：CN202310501897.5

申请日：2023-05-06

Applicant: 大连理工大学

Inventor： 覃振权 ,  孟维程 ,  崔雨欣 ,  卢炳先 ,  王雷 ,  朱明

IPC: H04W12/122 ,  H04W12/00 ,  H04W12/63 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/047 ,  G06N3/048 ,  G06N3/0895 ,  G06F18/23213 ,  G06F18/2415

Abstract: 本发明属于移动无线传感器网络领域，公开了一种基于生成对抗网络的移动无线传感器网络信任评估方法。建立移动场景中的传感器节点聚类模型和移动模型；收集节点通信、能量、数据、位置变化为信任证据；簇头收集目标节点信任证据后传输到基站，对信任证据进行预处理，分离有标签数据和无标签数据，使用基于生成对抗网络的半监督学习方法进行训练，基于softmax方法对节点进行信任评估；评估结果返回簇头，簇头根据评估结果对目标节点进行判断。本发明引入生成对抗网络和半监督学习方法，利用大量无标签数据中的隐含信息，降低了检测模型对有标签数据的依赖性，实现了利用少量有标签数据准确识别恶意节点，保证了移动无线传感器网络的安全性。