检索结果-南通市图书馆

作者：张宇河北大学

学位级别：硕士

随着大数据时代的到来,隐私保护问题日益凸显。联邦学习作为一种新兴的机器学习方法,在近年来受到了越来越广泛的关注。由于联邦学习涉及多方参与和模型更新的传递,依然面临隐私泄露和恶意攻击的挑战。因此可信联邦学习的研究对于联邦... 详细信息

随着大数据时代的到来,隐私保护问题日益凸显。联邦学习作为一种新兴的机器学习方法,在近年来受到了越来越广泛的关注。由于联邦学习涉及多方参与和模型更新的传递,依然面临隐私泄露和恶意攻击的挑战。因此可信联邦学习的研究对于联邦学习的发展和落地至关重要。可信性主要指模型安全可证明、性能可使用、效率可控以及可解释、可监管、惠普等方面,其中安全与性能直接关系着模型的好坏。为此,文本围绕可信联邦学习中的安全防御和模型可用性两方面展开研究,提出了基于相似度聚类的可信联邦安全聚合方法及基于自适应相互学习的可信联邦分层模型。(1)针对参数传递带来的隐私泄露问题及恶意参与方的存在导致全局模型聚合效果不佳的问题,提出一种基于相似度聚类的可信联邦安全聚合方法(A Trusted Federated Security Aggregation Method Based on Similarity Clustering,FSA-SC)。首先基于客户端训练数据集规模及其与服务器间的通信距离综合评估选出拟参与模型聚合的候选客户端;然后根据候选客户端间的相似度,利用聚类将候选客户端划分为良性客户端和异常客户端;最后,对异常客户端类中的成员利用类内广播和二次协商进行参数替换和记录,检测识别恶意客户端。为了验证FSA-SC的有效性,以联邦推荐为应用场景,选取Movie Lens 1M、Netflix数据集和Amazon抽样数据集为实验数据集,实验结果表明,所提方法能够实现高效的安全聚合,且相较对比方法有更高的鲁棒性。(2)考虑到FSA-SC在异构环境下实现效果不佳,方案针对数据异构给可信性及模型可用性带来的挑战,提出一种基于自适应相互学习的可信联邦分层模型(A Trusted Federated Hierarchical Model Based on Adaptive Mutual Learning,Fed AML)。采用由外循环模型和本地模型组成的分层结构,在确保真实参数安全地保留在本地的同时,实现数据和模型的异构性。采用不同的温度系数优化相互学习,从而实现高效的知识转移,并缓解数据异质性可能带来的准确性问题。利用自适应温度系数调整,客户端可以自主选择参与程度,从而使本地模型具有更大的灵活性和多样性。基于EMnist和Cifar10数据集进行的实验分析表明,利用差分隐私噪声可以保护隐私,而不会对预期的模型准确性产生重大影响。此外,在训练过程中加入噪声可有效抵御后门攻击,增强模型的鲁棒性,同时保持预期的准确性水平。

关键词：可信联邦学习隐私保护安全聚合鲁棒攻击相似度聚类相互学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数字孪生变电站框架设计与关键技术研究

引用

工程科学与技术 2023年第6期55卷 15-30页

作者：张冀马也张荣华朵春红华北电力大学计算机系河北保定071003 复杂能源系统智能计算教育部工程研究中心河北保定071003 河北省能源电力知识计算重点实验室河北保定071003

数字孪生(DT)技术的发展给电力系统的智能化管理带来诸多便利,然而作为推动能源电力行业数字化、智能化的关键技术,相关研究与应用还处于初期起步阶段,亟需开展系统性研究,以突破适应能源电力行业特殊性的数字孪生关键技术。为此,本文... 详细信息

数字孪生(DT)技术的发展给电力系统的智能化管理带来诸多便利,然而作为推动能源电力行业数字化、智能化的关键技术,相关研究与应用还处于初期起步阶段,亟需开展系统性研究,以突破适应能源电力行业特殊性的数字孪生关键技术。为此,本文以变电站作为应用场景,首先对变电站运维管理现状进行了分析,指出现阶段存在变电站巡检模式缺陷、模型精度不够、感知参量单一、缺乏对数据的深度挖掘等问题。以此设计了一套涵盖空间信息与设备建模、变电主设备机理建模、智能反馈控制、设备感知网络、基于数据驱动的数字孪生体模型的仿真,以及3维可视化渲染与应用的数字孪生变电站模型框架。然后讨论了变电站数字孪生技术面临的问题与挑战:专业智能研制方面,变电站数字孪生系统对传感器的感知精度、智慧功能集成度、抗干扰能力、功耗以及供能方式等提出更高要求;海量数据存储与计算方面,海量多源异构感知数据如何高效存储与利用,以及如何优化算力资源分配,满足系统实时计算需求;模型研究方面,现有数据驱动模型精度不足,模型不可解释且缺乏论证,影响整个系统的可靠运行;数据方面,如何解决“数据安全”与“数据孤岛”问题;3维虚拟实体构建与动态更新方面,如何低成本快速构建可用的高精度3维变电站模型,以及研究设计3维模型的动态更新算法,以保证孪生系统实时空一致性。进而探讨了解决问题的关键技术:通过感知理论研究与提升制作工艺、结合分布式云存储与云边协同计算、数据驱动与机理知识融合建模、可信联邦学习等先进技术,以及实景3维重建与点云动态可视化等相关技术,在满足隐私保护和数据安全前提下,建立“形”与“态”相融合的变电站数字孪生系统,实现变电站运行状态全感知、全生命周期数据智能管理与高效利用,变电站全业务场景智慧运行。结合数字孪生模型设计与关键技术问题的探讨,给出了一套面向工程应用的数字孪生变电站系统设计方案,重点阐述了包括变电站设备实时监测、设备故障诊断与故障预测、运维决策优化与智能反馈控制等典型的应用场景。

关键词：变电站数字孪生框架设计智能巡检压缩感知融合建模可信联邦学习 3维可视化

来源：

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于区块链的物联网安全机制设计与性能优化

基于区块链的物联网安全机制设计与性能优化

引用

作者：李彦锴北京邮电大学

学位级别：硕士

随着物联网技术与应用的快速发展,随之而来的终端数量快速增加使得物联网中数据量爆炸式增长。如何更好地保障物联网数据安全与隐私逐渐成为一个重要问题。联邦学习算法作为一种多终端协作式机器学习算法,可以在保障数据隐私的同时解决... 详细信息

随着物联网技术与应用的快速发展,随之而来的终端数量快速增加使得物联网中数据量爆炸式增长。如何更好地保障物联网数据安全与隐私逐渐成为一个重要问题。联邦学习算法作为一种多终端协作式机器学习算法,可以在保障数据隐私的同时解决数据孤岛问题。然而,联邦学习算法无法衡量参与节点的可信程度,且对恶意攻击行为欠缺检测和防范手段。区块链的去中心化、不可篡改和可追溯的特性使之成为了为联邦学习节点建立信任、保证安全的一种可行方案。然而,传统区块链系统较高的上链时延和较低的吞吐量使其无法直接应用于物联网联邦学习算法中。综上,本文面向物联网数据安全和隐私需求,融合区块链技术和联邦学习算法,设计实现了面向物联网的可信联邦学习系统,并针对其性能问题进行了优化算法研究。本文的具体研究内容如下。首先,本文针对物联网联邦学习中存在的节点恶意行为,设计并实现了基于区块链的可信联邦学习系统(Blockchain-based Trusted Federated Learning System,BCTFL)。本文在该系统中设计了以可信度评价算法为核心的可信联邦学习机制,并通过智能合约实现了去中心化的可信度管理和联邦学习。本文首先设计了可信度评价方法和相应的智能合约,实现了联邦学习过程中节点可信度量化评估;然后,本文设计了 leader/follower双向可信度评价机制。该机制以可信度评价方法为核心,基于智能合约,在联邦学习运行过程中以去中心化方式实时评价训练节点和聚合节点行为的可信度,并根据可信度识别和排除恶意节点,保障联邦学习全局模型的性能不受影响。为了验证系统性能,本文基于CIFAR-10和MNIST数据集设计了两类联邦学习任务,并对系统在两类任务下的性能进行了实验。实验结果表明:在恶意节点数不超过区块链共识协议所能容错的最大节点数量时,该系统能够抵抗伪装搭便车攻击,保障联邦学习过程的正确性。此外,本文进一步针对前述可信联邦学习系统中存在的系统时延较高的问题,设计了一种基于强化学习的节点选择算法,在满足联邦学习算法安全性和全局模型准确率的同时,降低了系统的时延。具体而言,本文首先分析了 BCTFL系统中可信度评价机制的时延,将其建模为马尔科夫决策过程,基于深度Q网络设计了节点选择算法,实现最优的节点选择策略。该算法根据节点的可信度、通信信噪比和算力等信息,动态选择联邦学习过程中每一步参与全局模型训练和聚合的节点,以充分利用物联网设备的资源和性能,在满足联邦学习安全性和全局模型准确率的前提下,达到降低系统时延的目的。随后,本文通过仿真将所提算法与三种基准策略的性能进行对比。结果表明:所提算法可以在存在恶意节点的物联网系统中保障模型以较快的速度收敛到较低的损失函数值,同时获得较低的系统时延。最后,本文还对所提算法在不同联邦学习任务下的表现进行了仿真,对比结果表明,本文所提算法在不同种类的联邦学习任务下的性能均超过基准算法。

关键词：物联网区块链可信联邦学习节点选择

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：