技術(shù)特征：

1.一種非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法，其特征在于，該方法中的貢獻(xiàn)度模型通過以下方式實(shí)現(xiàn)：

3.如權(quán)利要求1所述的非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述步驟五中的可信度模型通過秩和比(rsr)方法計(jì)算，包括以下步驟：

4.如權(quán)利要求1所述的非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述用戶評(píng)分計(jì)算包括：

5.如權(quán)利要求1所述的非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述用戶選擇方法包括：

6.如權(quán)利要求1所述的非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述聚合算法包括：

7.一種實(shí)施權(quán)利要求1～6任意一項(xiàng)所述的非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法的非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)系統(tǒng)，其特征在于，所述非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)系統(tǒng)包括：

8.如權(quán)利要求7所述非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)系統(tǒng)，其特征在于，所述的非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)系統(tǒng)包括一個(gè)服務(wù)器和n個(gè)客戶端，包括：

9.一種在非獨(dú)立同分布數(shù)據(jù)場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法，其特征在于，包括：

10.一種在非獨(dú)立同分布數(shù)據(jù)場景下應(yīng)對(duì)惡意攻擊的智能交通預(yù)測(cè)系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明屬于人工智能技術(shù)領(lǐng)域，公開了一種非獨(dú)立同分布場景下應(yīng)對(duì)惡意攻擊的聯(lián)邦學(xué)習(xí)方法及系統(tǒng)，設(shè)計(jì)了一個(gè)基于邊際貢獻(xiàn)的用戶貢獻(xiàn)度模型和一個(gè)基于秩和比的用戶可信度模型。本發(fā)明采用進(jìn)化聚類的概念，利用本輪各用戶的貢獻(xiàn)度和前一輪計(jì)算的用戶可信度來計(jì)算本輪所有用戶的評(píng)分，并在此基礎(chǔ)上利用貪心算法的思想選擇參與聚合的用戶逐個(gè)加入用戶聚合模型的集合。同時(shí)，本發(fā)明將在服務(wù)器端維護(hù)一個(gè)根數(shù)據(jù)集，并將利用根數(shù)據(jù)集訓(xùn)練的服務(wù)器模型作為每輪的初始聚合模型。在非獨(dú)立同分布場景下，本發(fā)明在兩個(gè)具有不同比例惡意用戶的公共數(shù)據(jù)集上評(píng)估了本算法的性能。大量的實(shí)驗(yàn)結(jié)果表明，本發(fā)明的算法在測(cè)試集上的準(zhǔn)確度優(yōu)于各種基線算法。

技術(shù)研發(fā)人員：孫紅光,王晨,張宏鳴,李書琴,徐超,張二磊,劉敬敏,呂志明
受保護(hù)的技術(shù)使用者：西北農(nóng)林科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19