kaiyun官方注册
您所在的位置: 首页> 通信与网络> 设计应用> 一种隐私保护的联邦学习框架
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。
中图分类号:TN711.1;TP311
文献标识码:A
DOI:10.16157/j.issn.0258-7998.211828
中文引用格式:杨东宁,谢潇睿,吉志坤,等. 一种隐私保护的联邦学习框架[J].电子技术应用,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

大数据时代,数据的安全性和隐私性受到了越来越多的重视和关注[1]。欧盟及我国都分别相继通过了《一般数据法案》《欧洲数据保护通用条例》《中华人民共和国网络安全法》等相关法案,以保护数据的安全和隐私。

南方电网公司“十四五”数字化规划明确提出:电力智慧投资将以项目储备库为基础,通过输入约束条件和投资分配参数,并结合规划部门的配网规划数据、基建部门的基建结算数据和财务部门的财务数据,运用机器学习训练生成的投资预测模型,自动生成投资计划项目及费用估算建议。但是,目前的电力投资系统依赖集中式的方式训练模型,要求训练涉及的多方数据和训练过程必须在数据中心。在此过程中,各部门自有数据中的隐私信息可能会被泄露。此外,各部门出于数据安全和隐私保护的需求,不可能将自有数据上传到数据中心。因此,如何在确保各方数据安全和隐私的情况下打破数据孤岛、共同训练模型,成为了急需解决的挑战。

联邦学习使得机器学习或深度学习算法能从不同组织或部门的大量数据中获得更好的经验[2]。这种技术允许多个组织或部门在数据不直接共享的情况下协作完成模型的联合训练[3]。具体来讲,各组织或部门的私有自有数据可以不离开本地,通过本地模型参数的更新和全局模型参数的聚合,在确保各自数据隐私性和安全性的情况下,联合训练一个共享的全局模型。因此,联邦学习被视为解决数据孤岛和打破数据壁垒的有效可行技术[4]




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000004285




作者信息:

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)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map