(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210340718.X (22)申请日 2022.03.31 (71)申请人 全球能源互联网研究院有限公司南 京分公司 地址 210003 江苏省南京市 鼓楼区南瑞路8 号 申请人 国家电网有限公司大 数据中心 　 国网江苏省电力有限公司 　 国家电网有限公司 (72)发明人 黄秀丽　石聪聪　费稼轩　于鹏飞　 高先周　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 专利代理师 林韵英(51)Int.Cl. G06K 9/62(2022.01) G06F 21/62(2013.01) G06N 3/04(2006.01) G06N 20/00(2019.01) (54)发明名称 基于联邦学习的安全训练模 型构建方法、 装 置、 系统 (57)摘要 本发明实施例涉及计算机技术领域， 尤其涉 及一种基于联邦学习的安全训练模型构建的方 法、 装置、 系统及存储介质。 该方法包括： 获取各 个节点上传的经过差分隐私处理之后的当前训 练数据， 获取各个节点的对应的至少一个历史训 练数据和历史降维差值， 基于各个节 点的当前训 练数据、 历史训练数据和历史降维差值， 确定各 个节点的状态， 利用预测和真的结果进行对比判 定当前的节 点是否发生故障， 根据状态对各个节 点进行筛选， 确定筛选结果， 基于筛选结果， 对预 配置的初始模 型进行训练， 确定目标模型并分发 至各个节 点。 这样就能剔除掉联邦学习过程中出 现的异常的点， 极大的提高了 工作效率。 权利要求书2页 说明书8页 附图5页 CN 114742143 A 2022.07.12 CN 114742143 A 1.一种基于联邦学习的安全训练模型构建方法， 其特 征在于， 包括： 获取各个节点上传的经过差分隐私处理之后的当前训练数据， 其中， 所述当前训练数 据是各个所述节点对预配置在各个节点中的初始模型进行训练之后得到的； 获取所述各个节点的对应的至少一个历史训练数据和历史降维差值； 基于各个所述节点的当前训练数据、 历史训练数据和历史降维差值， 确定各个所述节 点的状态； 根据所述状态对各个所述节点进行筛 选， 确定筛选结果； 基于所述筛选结果， 对所述预配置的初始模型进行训练， 确定目标模型并分发至各个 所述节点。 2.根据权利要求1所述的方法， 其特征在于， 所述基于各个所述节点的当前训练数据、 历史训练数据和历史降维差值， 确定各个所述节点的状态， 包括： 获取全部所述节点中第i个所述节点的历史训练数据； 确定所述历史训练数据和所述当前训练数据的真实差值； 将所述真实差值送入至预设的降维模型， 确定降维之后的真实降维差值； 将第i个所述节点对应的至少一个历史降维差值送入预设的预测模型， 确定预测降维 差值， 其中， i 为正整数； 将所述预测降维差值送入至预设的增维模型， 确定对应的预测差值； 基于所述真实差值， 所述预测差值， 所述真实降维差值， 所述预测降维差值， 确定各个 所述节点的状态。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述真实差值， 所述预测差值， 所 述真实降维差值， 所述预测降维差值， 确定各个所述节点的状态， 包括： 判断所述真实差值和所述预测差值之间的第一欧式距离与预设的第一阈值之间的关 系， 确定第一判断结果； 判断所述真实降维差值和所述预测降维差值之间的第二欧式距离与预设的第二阈值 之间的关系， 确定第二判断结果； 基于所述第一判断结果和所述第二判断结果， 确定第i个所述节点的状态。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述第 一判断结果和所述第 二判 断结果， 确定第i个所述节点的状态， 包括： 当第一欧式距离小于所述第一阈值， 且所述第二欧式距离小于所述第二阈值时， 确定 第i个所述节点状态为第一状态； 当第一欧式距离大于所述第一阈值， 且所述第二欧式距离小于所述第二阈值时， 或第 一欧式距离小于所述第一阈值， 且所述第二欧式距离大于所述第二阈值时， 确定第i个所述 节点状态为第二状态； 当第一欧式距离大于所述第一阈值， 且所述第二欧式距离大于所述第二阈值时， 确定 第i个所述节点状态为第三状态。 5.根据权利要求1所述的方法， 其特征在于， 所述基于所述筛选结果， 对所述预配置的 初始模型进行训练， 确定目标模型并分发至各个所述节点， 包括： 筛选出各个所述节点状态为第一状态的节点和所述各个所述节点状态为第二状态的 节点；权　利　要　求　书 1/2 页 2 CN 114742143 A 2基于各个所述节点状态为第 一状态的节点的训练数据对所述预配置的模型进行训练， 确定目标模型； 将所述目标模型分别发送至各个所述节点状态为第一状态的节点和各个所述节点状 态为第二状态的节点。 6.根据权利要求5所述的方法， 其特 征在于， 还 包括： 筛选出各个所述节点状态为第三状态的节点； 向所述节点状态为第三状态的节点发送错 误数据。 7.根据权利要求1所述的方法， 其特征在于， 所述获取各个节点上传的经过差分隐私处 理之后的当前训练数据， 包括： 将所述初始模型分别发送给各个所述节点， 以使所述节点对所述初始模型进行训练， 并确定训练过程中产生的梯度数据； 接收各个节点上传的经过差分隐私处理之后的所述隐私梯度数据， 将所述隐私梯度 数 据作为当前训练数据。 8.一种基于联邦学习的安全训练模型构建装置， 其特 征在于， 包括： 获取模块， 用于获取各个节点上传的经过差分隐私处理之后的当前训练数据， 其中， 所 述当前训练数据是各个所述节点对预配置在各个节点中的初始模型进 行训练之后得到的； 获取所述各个节点的对应的至少一个历史训练数据和历史降维差值； 处理模块， 用于基于各个所述节点的当前训练数据、 历史训练数据和历史降维差值， 确 定各个所述节点的状态； 根据所述状态对各个所述节点进行筛 选， 确定筛选结果； 确定模块， 用于基于所述筛选结果， 对所述预配置的初始模型进行训练， 确定目标模型 并分发至各个所述节点。 9.一种电子设备， 其特征在于， 包括： 至少一个处理器； 以及与所述至少一个处理器通 信连接的存储器； 其中， 所述存储器存储有 可被所述至少一个处理器执行的指 令， 所述指 令 被所述至少一个处理器执行， 以使所述至少一个处理器执行如权利要求1 ‑7任一所述的方 法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现如权利要求1 ‑7中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114742143 A 3