一种基于扩散加噪的联邦学习梯度攻击防御方法

本发明公开了一种基于扩散加噪的联邦学习梯度攻击防御方法，通过使用扩散模型的思想生成混淆图像，抵御联邦学习中的梯度攻击。本发明通过使用扩散模型的思想生成混淆图像，使用多时间步加权聚合扰动原始梯度，并根据阈值判断是否有效实现对原始数据中敏感信息的隐藏，如果没有则再次进行梯度扰动，以实现对联邦学习场景下梯度攻击的有效防御。与其他方法相比较，本发明的方法不需要高额的通信成本，并且有效利用扩散模型的思想，使用多时间步进行加权融合，有效的避免了无法判断应加噪声强度的问题；并且本发明的方法可以有效的实现对原始数据中敏感信息的有效隐藏，使攻击者无法从梯度中恢复客户端本地训练的数据集中的敏感信息。