[发明专利]基于联邦学习的流量审计方法、设备、存储介质

说明书

本发明提供了一种基于联邦学习的流量审计方法、装置、设备、存储介质，该方法包括训练节点生成私钥和公钥，根据公共随机参数和私钥，将公钥、随机选取的目标原始数据包和通过VRF函数生成的参考随机数和证明文件发送至监控节点；监控节点抓取训练数据包，通过Ver ifyVRF函数得到检验随机数，当检验随机数与目标原始数据包所对应的参考随机数相匹配，根据目标原始数据包的传输顺序确定目标训练数据包，通过数据包的对比得到训练节点的流量审计结果。根据本发明实施例提供的方案，能够利用VRF函数和Ver ifyVRF函数实现随机抽检的验证，避免训练节点预先得知被抽检的数据，有效提高了流量审计的可靠性，而且只需要一次开销发送相关数据，有效减少了通信资源消耗。

技术领域

本发明涉及但不限于大数据领域，尤其涉及一种基于联邦学习的流量审计方法、设备、存储介质。

背景技术

联邦学习通常包括多个训练节点，在满足用户私隐保护、数据安全和法规要求的情况下，多个训练节点联合进行机器学习建模，得到了广泛的应用。而由于联邦学习算法的隐私性设计，监控节点很难确定训练过程是否符合通信安全的规范，训练节点很可能通过私下传递密钥的方式进行训练，数据安全得不到保证。为了对联邦学习的训练过程进行监控管理，需要在训练过程中对每个训练节点进行流量审计，传统的方式要求训练数据包的传递在可信的硬件环境中进行，训练节点和监控节点预先约定好相互信任的硬件环境，每个训练节点按照约定的硬件环境进行硬件配置，但是这样对硬件成本的要求较高。

因此，更常用的流量审计方法是进行数据比对，训练节点向监控节点发送原始数据包，监控节点再通过抓包的方式从训练节点之间交互的训练数据包中抓取审计数据，通过审计数据和原始数据包的比对确定是否符合通信安全的规范。但是需要监控节点频繁使用通信指令从训练节点获取数据，联邦学习具有数据量大的特点，通信开销较大，而且抽检的目标是训练节点主动发送，因此对于训练节点是可知的，很容易只针对被抽检的数据进行合规操作，而其他数据进行规避，可靠性得不到保障。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种基于联邦学习的流量审计方法、设备、存储介质，能够在联邦学习模型的训练过程中，提高流量审计的可靠性，减少监控管理的资源开销。

第一方面，本发明实施例提供了一种基于联邦学习的流量审计方法，包括：

训练节点通过VRF函数的初始化算法生成私钥和公钥，将所述公钥发送至监控节点；

所述训练节点根据公共随机参数和所述私钥，通过所述VRF函数生成与原始数据包相对应的参考随机数和证明文件，其中，所述公共随机参数预先设定于所述训练节点和所述监控节点；

所述训练节点随机选取目标原始数据包，将所述目标原始数据包、与目标所述原始数据包所对应的所述参考随机数和所述证明文件发送至所述监控节点；

所述监控节点抓取所述训练节点发送的训练数据包；

所述监控节点根据所述公共随机参数、所述公钥和所述目标原始数据包所对应的所述证明文件，通过VerifyVRF函数得到检验随机数；

当所述监控节点确定所述检验随机数与所述目标原始数据包所对应的所述参考随机数相匹配，根据所述目标原始数据包的传输顺序从所述训练数据包中确定目标训练数据包，并将所述目标原始数据包和所述目标训练数据包进行数据对比，得到所述训练节点的流量审计结果。

在一些实施例中，所述监控节点抓取所述训练节点发送的训练数据包，包括：

所述训练节点将用于发送所述训练数据包的通信端口信息上报至所述监控节点；

所述监控节点根据所述通信端口信息确定目标监听端口，并从所述目标监听端口抓取所述训练数据包。