一种联邦学习安全聚合方案的实现方法

本发明实现了一种联邦学习的安全聚合方案，旨在应对训练过程中因无法直接访问客户端私有数据和约束客户端行为而带来的挑战。恶意客户端可能通过上传篡改的模型更新，导致全局模型偏差甚至失效，为此，本发明通过改进的OPTICS聚类算法，使聚合服务器能够有效区分良性客户端和恶意客户端，并阻止恶意客户端上传的模型更新参与全局聚合。同时，本发明设计了一种动态调整的客户端信誉评分机制，根据客户端的历史行为动态调整其参与优先级，确保高信誉的良性客户端优先参与训练，从根本上提高模型的训练质量和安全性，进一步提升了联邦学习过程的效率和可信度。