一种基于零信任的持续背叛感知联邦学习防御方法

本发明提供了一种基于零信任的持续背叛感知联邦学习防御方法，提出了一项零信任政策，以确保面对客户端攻击和背叛行为日益增加的风险时，联邦学习的可靠性和鲁棒性得到保障。通过这种政策，系统不再对任何客户端赋予固有的信任，而是采用持续的风险评估机制来动态调整对客户端的信任级别。这种策略的核心在于，即使是过去表现可靠的客户端，也必须通过连续的行为验证来维持其信任度，从而有效预防可能的内部威胁。此外，该政策还包括对所有参与客户端进行严格的行为分析，通过高级的算法模型来评估每一个客户端的行为模式和潜在的风险，确保联邦学习过程中数据的完整性和模型训练的安全性。