买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种基于谱聚类的鲁棒联邦学习异常客户端检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116862023B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310899140.6，技术领域涉及：G06N20/20；该发明授权一种基于谱聚类的鲁棒联邦学习异常客户端检测方法是由覃振权;孟维程;卢炳先;王雷;朱明设计研发完成，并于2023-07-21向国家知识产权局提交的专利申请。

本一种基于谱聚类的鲁棒联邦学习异常客户端检测方法在说明书摘要公布了：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。

本发明授权一种基于谱聚类的鲁棒联邦学习异常客户端检测方法在权利要求书中公布了：1.一种基于谱聚类的鲁棒联邦学习异常客户端检测方法，其特征在于，步骤如下： 步骤1、建立场景模型； 网络模型包括个服务器和个客户端节点；服务器与各客户端节点在通信范围内进行通信，客户端之间不进行通信，且每个客户端节点具有相同的所需能量、计算和存储资源，客户端在部署区域内移动； 在联邦学习过程中，各个客户端收集数据储存在本地；服务器下发初始化模型至客户端，客户端使用本地数据对初始模型进行训练；客户端定期将模型参数值发送至服务器，服务器通过聚合各个模型更新创建全局模型；经过多次迭代训练得到最终的全局模型； 服务器为可信服务器，客户端包括恶意客户端、故障客户端和正常客户端； 步骤2、异常客户端检测； 步骤2.1、建立预测模型； 联邦学习初始迭代中，设定每个客户端均为正常客户端；服务器下发初始模型到客户端；客户端接收到初始模型后，通过自己的本地数据对初始模型进行训练，并将训练好的局部模型梯度上传至服务器；服务器进行局部模型聚合得到全局模型，聚合过程如下： 其中，表示第轮迭代得到的全局模型，表示第轮客户端上传的本地模型，表示客户端的样本数量，表示所有客户端的样本数量之和，表示客户端总数； 经过轮迭代后，服务器得到局部模型梯度，聚合得到全局模型，作为下轮预测模型； 步骤2.2、建立拉普拉斯矩阵； 从第轮训练开始，客户端中存在故障客户端和或恶意客户端，建立客户端的拉普拉斯矩阵作为谱聚类的基础，用于区分客户端类别； 2.2.1构建无向图：在第轮及后续训练过程中，客户端接收服务器下发的模型，使用本地数据训练局部模型并上传至服务器；服务器接收到各个客户端上传的局部模型后，计算各个局部模型梯度与预测模型的余弦相似度，，计算过程如下： ； 定义无向图，局部模型梯度为无向图中顶点，无向图中的边矩阵为；计算顶点与顶点之间的相似度差值，得到相似度差值矩阵： 设定相似度差阈值，比较顶点与顶点的相似度差值与阈值的关系，当相似度差值未超过阈值，则在无向图中连接两个顶点，更新和为；即： ； 2.2.2邻接矩阵更新：建立邻接矩阵，根据上述更新的边矩阵，计算相邻顶点和顶点的局部模型的余弦相似度，作为边的权重对邻接矩阵进行更新，过程如下： ； 2.2.3度矩阵更新：建立度矩阵，对于带有边的权重的无向图，度矩阵各元素为顶点的权重之和，过程如下： ； 2.2.4拉普拉斯矩阵更新：根据上述有个顶点的无向图的邻接矩阵和度矩阵，计算无向图的拉普拉斯矩阵，过程如下： ； 步骤2.3、基于拉普拉斯矩阵进行谱聚类； 根据上述拉普拉斯矩阵，求出其特征值及其对应的特征向量，按特征值由小到大排序，对应的特征向量排序为，取前2个不为零的特征值对应的特征向量，组成特征向量矩阵，中每一行作为一个2维的样本，共输出个样本形成样本集； 对上述样本进行谱聚类；按照样本之间的距离大小，将样本集划分为3个簇，划分要求为保证簇内边的权重之和最大，而簇间边的权重最小； 各样本距离所属簇的中心点误差平方和： , 其中，代表第个样本，是所属的簇，代表簇对应的中心点，为簇内所有点的均值，为样本总数； 聚类得到的最大簇为正常客户端上传的局部模型；与的距离更近的簇为分类簇，对应为故障客户端；与上述两簇距离远的分类簇，对应为恶意客户端； 步骤3、客户端的信任机制； 针对上述已分类客户端，采用三种不同的信任评估、赎回机制，通过每轮迭代时动态更新客户端的信任值，赎回恢复正常的客户端，最大限度地保证联邦学习的完整性； 步骤3.1、信任评估模型； 根据上述谱聚类结果，服务器按照聚类簇分别对每个簇内客户端局部模型与预测模型间的余弦相似度，进行归一化处理，归一化过程如下： ； 其中，为余弦相似度的最小值，为余弦相似度的最大值； 在每一轮局部模型聚合前，服务器根据上述归一化得到客户端的、接收到的客户端位置和客户端上传局部模型的传输时延综合计算后作为信任分数，完成对正常客户端和故障客户端的信任评估；当客户端被分类为恶意客户端，信任分数为0； 信任分数计算过程如下： ； 其中，是局部模型余弦相似度、客户端位置、模型传输时延的权重，且，为行为因子； 设置信任阈值，服务器计算得到各客户端的信任分数，当客户端的信任分数大于时，被判定为可信客户端，参与本轮全局模型聚合； 步骤3.2、基于行为的信任赎回机制； 针对信任分数低于信任阈值的故障客户端和恶意客户端，建立信任赎回机制； 对所有客户端，设定行为因子初始值为1：当某次被分类为恶意客户端，行为因子直接设定为0；随着联邦学习迭代轮次增加，当连续轮被判别为正常客户端，增加行为因子；当行为因子为的时候，再次计算该客户端的信任分数，当该客户端信任分数超过信任阈值，则将该客户端行为因子设置为0.5，客户端上传的局部模型再次参与全局模型聚合；当该客户端的行为因子连续轮为0，则客户端不再参与联邦学习过程； 当某次被分类为故障客户端，则行为因子设定为0.5；随着联邦学习迭代轮次增加，当连续轮被别为正常客户端，设定行为因子为1，该客户端上传的局部模型再次参与全局模型聚合。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。