(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211098806.X (22)申请日 2022.09.09 (65)同一申请的已公布的文献号 申请公布号 CN 115186285 A (43)申请公布日 2022.10.14 (73)专利权人 闪捷信息科技有限公司 地址 310000 浙江省杭州市余杭区五常街 道文一西路9 98号5幢6 08室 (72)发明人 张黎　刘维炜　陈广辉　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 刘广 (51)Int.Cl. G06F 21/60(2013.01) G06F 21/62(2013.01)H04L 9/08(2006.01) (56)对比文件 CN 113919513 A,202 2.01.11 CN 112199702 A,2021.01.08 US 2022164712 A1,202 2.05.26 唐飞等.基 于国密SM2和SM9的加法同态加密 方案. 《密码学报》 .202 2,第9卷(第3期),全 文. Lu Yu等.Clustered F ederated Learn ing Based on Data Distributi on. 《2021 3rd Internati onal Conference o n Advanced Informati on Science and System》 .202 2,全 文. 审查员 张亚芳 (54)发明名称 联邦学习的参数聚合方法和装置 (57)摘要 本申请提供一种联邦学习的参数聚合方法 和装置， 其中方法包括： 获取目标用户当前聚合 节点上传的模 型参数密文、 模型准确率和密文审 计证明， 基于模型参数密文、 模型准确率和密文 审计证明对目标模型参数密文进行聚合 以得到 电力数据分析模型当前聚合节点对应的模型参 数更新值， 模 型参数密文是目标用户基于各自的 加密随机数集合对当前聚合节点对应的本地模 型参数进行加密得到的， 当前聚合节 点对应的本 地模型参数是目标用户对本地电力数据分析模 型训练得到的， 加密随机数集合是基于各用户两 两之间的共享随机数确定的， 模 型准确率是基于 测试集对目标用户的本地模型进行测试得到的， 能保证模型准确性和训练效率， 并防止数据泄 露。 权利要求书3页 说明书14页 附图3页 CN 115186285 B 2022.12.02 CN 115186285 B 1.一种联邦学习的参数聚合方法， 应用于电力数据联邦学习系统的电力数据中心， 其 特征在于， 包括： 获取目标用户当前聚合节点上传的模型参数密文、 模型准确率和密文审计 证明； 基于所述目标用户当前聚合节点上传的模型参数密文、 模型准确率和密文审计证明， 对目标模型参数密文进行聚合以得到电力数据分析模型当前聚合节点对应的模型参数更 新值； 其中， 所述模型参数密文是所述目标用户基于各自的加密随机数集合对当前聚合节点 对应的本地模型参数进行加密得到的， 所述当前聚合节点对应的本地模型参数是所述目标 用户对本地电力数据分析模型进 行训练得到的， 所述加密随机数集合是基于各用户两两之 间的共享随机数确定的； 所述模型准确率是基于预设测试集对所述目标用户的本地电力数 据分析模型进 行测试得到的； 所述密 文审计证明是由第三方提供的模型参数正确性证明文 件； 在所述目标用户中存在 当前聚合节点未上传数据的第 一目标用户的情况下， 所述基于 所述目标用户当前聚合节点上传的模型参数密文、 模型准确 率和密文审计证明， 对目标模 型参数密文 进行聚合， 具体包括： 基于所述目标用户中已上传数据的各第二目标用户当前聚合节点对应的模型参数密 文、 模型准确 率和密文审计证明确定所述第二 目标用户中满足预设条件的第三目标用户； 所述预设条件为模型参数正确且 模型准确率大于预设准确率阈值； 将所述第三目标用户当前聚合节点对应的模型参数密文作为目标模型参数密文， 并从 所述第三目标用户处获取所述第一目标用户和 不满足所述预设条件的第四目标用户分别 对应的加密随机数； 基于所述第 一目标用户和第四目标用户分别对应的加密随机数， 生成所述第 一目标用 户和第四目标用户分别对应的加密随机数子集， 并将所述第一目标用户和 第四目标用户分 别对应的加密随机数子集， 与所述目标模型参数密文 进行聚合。 2.根据权利要求1所述的联邦学习的参数聚合方法， 其特征在于， 所述第 一目标用户和 第四目标用户分别对应的加密随机数， 是所述第三目标用户分别基于其与所述第一目标用 户和第四目标用户的共享随机数确定的。 3.根据权利要求1所述的联邦学习的参数聚合方法， 其特征在于， 所述基于所述目标用 户中已上传数据的各第二目标用户当前聚合节点对应的模型参数密 文、 模型准确率和密 文 审计证明确定所述第二目标用户中满足预设条件的第三目标用户， 具体包括： 基于各第二目标用户当前聚合节点对应的密文审计证明， 确定所述第 二目标用户中模 型参数正确的第五目标用户； 基于所述第五 目标用户当前聚合节点对应的模型准确率， 确定模型准确率高于预设阈 值的第六目标用户； 将所述第六目标用户作为所述第三目标用户。 4.根据权利要求2所述的联邦学习的参数聚合方法， 其特征在于， 若在从所述第 三目标 用户处获取所述第一目标用户和 第四目标用户分别对应的加密随机数的过程中， 所述第三 目标用户中存在掉线的第七目标用户， 所述从所述第三目标用户处获取所述第一目标用户 和不满足所述预设条件的第四目标用户分别对应的加密随机数， 具体包括：权　利　要　求　书 1/3 页 2 CN 115186285 B 2在所述第三目标用户中未掉线的第八目标用户的数量大于预设数量阈值的情况下， 获 取所述第八目标用户处的加密随机数碎片； 基于所述加密随机数碎片生成所述第一目标用户和第四目标用户分别对应的加密随 机数。 5.根据权利要求4所述的联邦学习的参数聚合方法， 其特征在于， 所述加密随机数碎片 是基于预设的秘密共享协议对各用户的加密随机数集 合中的加密随机数进行拆分得到的。 6.根据权利要求1所述的联邦学习的参数聚合方法， 其特征在于， 在所述目标用户中不 存在所述第一目标用户的情况下， 所述基于所述目标用户当前聚合节点上传的模型参数密 文、 模型准确率和密文审计 证明， 对目标模型参数密文 进行聚合， 具体包括： 基于所述目标用户当前聚合节点对应的模型参数密文、 模型准确率和密文审计证 明确 定所述目标用户中满足预设条件的第三目标用户； 将所述第三目标用户当前聚合节点对应的模型参数密文作为目标模型参数密文， 并从 所述第三目标用户处获取 所述第四目标用户对应的加密随机数； 基于所述第四目标对应的加密随机数， 生成所述第四目标用户对应的加密随机数子 集， 并将所述第四目标用户对应的加密随机数子集， 与所述目标模型参数密文 进行聚合。 7.一种联邦学习的参数聚合装置， 应用于电力数据联邦学习系统的电力数据中心， 其 特征在于， 包括： 数据获取模块， 用于获取目标用户当前聚合节点上传的模型参数密文、 模型准确率和 密文审计 证明； 参数聚合模块， 用于基于所述目标用户当前聚合节点上传的模型参数密文、 模型准确 率和密文审 计证明， 对目标模型参数密 文进行聚合以得到电力数据分析模 型当前聚合节点 对应的模型参数 更新值； 其中， 所述模型参数密文是所述目标用户基于各自的加密随机数集合对当前聚合节点 对应的本地模型参数进行加密得到的， 所述当前聚合节点对应的本地模型参数是所述目标 用户对本地电力数据分析模型进 行训练得到的， 所述加密随机数集合是基于各用户两两之 间的共享随机数确定的； 所述模型准确率是基于预设测试集对所述目标用户的本地电力数 据分析模型进 行测试得到的； 所述密 文审计证明是由第三方提供的模型参数正确性证明文 件； 在所述目标用户中存在 当前聚合节点未上传数据的第 一目标用户的情况下， 所述参数 聚合模块具体用于执 行以下步骤： 基于所述目标用户中已上传数据的各第二目标用户当前聚合节点对应的模型参数密 文、 模型准确 率和密文审计证明确定所述第二 目标用户中满足预设条件的第三目标用户； 所述预设条件为模型参数正确且 模型准确率大于预设准确率阈值； 将所述第三目标用户当前聚合节点对应的模型参数密文作为目标模型参数密文， 并从 所述第三目标用户处获取所述第一目标用户和 不满足所述预设条件的第四目标用户分别 对应的加密随机数； 基于所述第 一目标用户和第四目标用户分别对应的加密随机数， 生成所述第 一目标用 户和第四目标用户分别对应的加密随机数子集， 并将所述第一目标用户和 第四目标用户分 别对应的加密随机数子集， 与所述目标模型参数密文 进行聚合。权　利　要　求　书 2/3 页 3 CN 115186285 B 3