CN114330750A - 一种联邦学习毒化攻击检测方法 - Google Patents

一种联邦学习毒化攻击检测方法 Download PDF

Info

Publication number
CN114330750A
CN114330750A CN202111668344.6A CN202111668344A CN114330750A CN 114330750 A CN114330750 A CN 114330750A CN 202111668344 A CN202111668344 A CN 202111668344A CN 114330750 A CN114330750 A CN 114330750A
Authority
CN
China
Prior art keywords
participants
curve
participant
model
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111668344.6A
Other languages
English (en)
Other versions
CN114330750B (zh
Inventor
谢盈
李世鹏
刘政奇
丁旭阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Minzu University
Original Assignee
Southwest Minzu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Minzu University filed Critical Southwest Minzu University
Priority to CN202111668344.6A priority Critical patent/CN114330750B/zh
Publication of CN114330750A publication Critical patent/CN114330750A/zh
Application granted granted Critical
Publication of CN114330750B publication Critical patent/CN114330750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Computer And Data Communications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种联邦学习毒化攻击检测方法，本发明在客户端使用非独立同分布数据前提下，能够对联邦学习***中的恶意参与方进行检测。通过形成各参与方模型的历史距离函数曲线，观察各曲线变化情况，不聚合单次异常模型，剔除长期异常的恶意参与方，从而保证联邦学习最终全局模型的准确性。本发明能够在服务器无法确定各参与方真实身份的情况下，通过长期检测客户端模型变化，从非独立同分布的本地模型中检测异常，从而保证全局模型性能，实现安全、可靠的联邦学习。

Description

一种联邦学习毒化攻击检测方法
技术领域
本发明涉及网络空间安全领域，具体涉及一种联邦学习毒化攻击检测方法。
背景技术
数据是作为生产资料，是近几年推动产业智能化发展的重要因素。但当前的数据合作同样存在着一些困境，一是跨企业间数据合作受阻，数据安全存在风险，担心泄漏数据隐私，跨企业间存在信任危机。二是企业内跨部门间数据共享建立困难重重，即各部门虽知道数据的价值，寻求和其他部门进行数据合作，但又都不愿意泄露自身业务的核心数据。传统的机器学习方法需要将所有的数据集中到一个地方(如数据中心)，然后进行机器学习模型的训练，但这种基于集中数据的做法无疑会严重侵害用户隐私和数据安全。联邦学习能有效帮助参与方在满足用户隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模，其特点是参与方在服务器管理下通过模型的传递、聚合共同训练全局模型。具体过程为参与方利用本地数据训练本地模型后上传至服务器，服务器在接收所有参与方模型后以特定算法进行聚合得到全局模型，如此迭代直至模型收敛，所有参与方共同享有最终的全局模型。参与方通过传递模型代替数据共享，从而保证了用户隐私及数据安全。
目前，多数联邦学习服务器的聚合算法均以各参与方是诚实的这一假设为前提。若参与方中出现恶意参与方，可以轻松修改本地数据并上传异常模型，通过服务器聚合算法污染全局模型，从而影响到所有参与的客户端模型性能。因此在众多参与方中检测恶意参与方，保证最终全局模型的性能，是联邦学习能否广泛应用的重要前提。
发明内容
针对现有技术中的上述不足，本发明提供的一种联邦学习毒化攻击检测方法可以在联邦学习过程中检测出恶意参与方，避免学习失败。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种联邦学习毒化攻击检测方法，其包括以下步骤：
S1、确定参与方的个数，将参与方初始化为正常状态，并初始化全局模型和参与方的信誉值；
S2、在每轮训练后，获取各个参与方上传的模型，并计算各参与方的模型与上轮全局模型之间的距离，以及所有参与方在本轮训练的平均距离；
S3、在第T轮训练后，将获取的各参与方的模型与上轮全局模型之间的距离通过最小二乘法进行拟合，得到若干第一曲线；将平均距离进行拟合，得到第二曲线；
S4、对第一曲线进行求导，得到若干第三曲线；对第二曲线进行求导，得到第四曲线；获取每条第三曲线与第四曲线的余弦相似度；
S5、将余弦相似度大于等于1/2的参与方加入当前轮次聚合集合；根据余弦相似度调整对应参与方的信誉值；
S6、将信誉值低于信誉阈值的参与方认定为恶意参与方并拒绝其加入训练，并将当前轮次聚合集合中符合信誉要求的参与方上传的模型进行聚合，得到新的全局模型；
S7、判断新的全局模型是否收敛，若是则结束；否则进入步骤S8；
S8、将新的全局模型下发至所有参与方，将训练轮数加1，重复步骤S2至 S7。
进一步地，步骤S1中参与方信誉值的初始值为100。
进一步地，步骤S2中计算各参与方的模型与上轮全局模型之间的距离的具体方法为：
根据公式：
Figure BDA0003448807630000031
获取第i个参与方在第t轮训练后上传的模型
Figure BDA0003448807630000032
与上轮全局模型
Figure BDA0003448807630000033
之间的距离
Figure BDA0003448807630000034
其中W表示模型参数总个数；
Figure BDA0003448807630000035
表示模型
Figure BDA0003448807630000036
中第j个参数；
Figure BDA0003448807630000037
表示全局模型
Figure BDA0003448807630000038
中第j个参数。
进一步地，步骤S2中计算所有参与方在本轮训练的平均距离的具体方法为：
根据公式：
Figure BDA0003448807630000039
获取所有参与方在第t轮训练的平均距离avgDist；其中N表示第t轮训练的参与方数量。
进一步地，步骤S3中T的数值为5。
进一步地，步骤S4中获取第三曲线与第四曲线的余弦相似度的具体方法为：
根据公式：
Figure BDA00034488076300000310
获取第三曲线与第四曲线的余弦相似度cosθ；其中θk表示第三曲线中第k 个项的系数；
Figure BDA00034488076300000311
表示第四曲线中第k个项的系数，即训练T次时第三曲线和第四曲线均存在T个项。
进一步地，步骤S5中根据余弦相似度调整对应参与方的信誉值的具体方法为：
若
Figure BDA0003448807630000041
则根据公式creditt＝creditt-1+cosθ×2更新参与方的信誉值；
若
Figure BDA0003448807630000042
则根据公式creditt＝creditt-1更新参与方的信誉值；
若
Figure BDA0003448807630000043
则根据公式creditt＝creditt-1-(1-cosθ)×2更新参与方的信誉值；
其中，cosθ为余弦相似度；creditt为参与方更新后的信誉值；creditt-1为参与方更新前的信誉值。
进一步地，步骤S6中信誉阈值为60。
本发明的有益效果为：本发明在客户端使用非独立同分布数据前提下，能够对联邦学习***中的恶意参与方进行检测。通过形成各参与方模型的历史距离函数曲线，观察各曲线变化情况，不聚合单次异常模型，剔除长期异常的恶意参与方，从而保证联邦学习最终全局模型的准确性。本发明能够在服务器无法确定各参与方真实身份的情况下，通过长期检测客户端模型变化，从非独立同分布的本地模型中检测异常，从而保证全局模型性能，实现安全、可靠的联邦学习。
附图说明
图1为本方法的流程示意图；
图2为实施例中本发明与常规联邦学习聚合算法在面对毒化攻击下对于 MNIST数据集的分类进度。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该联邦学习毒化攻击检测方法包括以下步骤：
S1、确定参与方的个数，将参与方初始化为正常状态，并初始化全局模型和参与方的信誉值；参与方信誉值的初始值为100；
S2、在每轮训练后，获取各个参与方上传的模型，并计算各参与方的模型与上轮全局模型之间的距离，以及所有参与方在本轮训练的平均距离；
S3、在第T轮训练后，将获取的各参与方的模型与上轮全局模型之间的距离通过最小二乘法进行拟合，得到若干第一曲线；将平均距离进行拟合，得到第二曲线；T的数值为5；
S4、对第一曲线进行求导，得到若干第三曲线；对第二曲线进行求导，得到第四曲线；获取每条第三曲线与第四曲线的余弦相似度；
S5、将余弦相似度大于等于1/2的参与方加入当前轮次聚合集合；根据余弦相似度调整对应参与方的信誉值；
S6、将信誉值低于信誉阈值的参与方认定为恶意参与方并拒绝其加入训练，并将当前轮次聚合集合中符合信誉要求的参与方上传的模型进行聚合，得到新的全局模型；
S7、判断新的全局模型是否收敛，若是则结束；否则进入步骤S8；
S8、将新的全局模型下发至所有参与方，将训练轮数加1，重复步骤S2至 S7。
步骤S2中计算各参与方的模型与上轮全局模型之间的距离的具体方法为：根据公式：
Figure BDA0003448807630000051
获取第i个参与方在第t轮训练后上传的模型
Figure BDA0003448807630000052
与上轮全局模型
Figure BDA0003448807630000053
之间的距离
Figure BDA0003448807630000061
其中W表示模型参数总个数；
Figure BDA0003448807630000062
表示模型
Figure BDA0003448807630000063
中第j个参数；
Figure BDA0003448807630000064
表示全局模型
Figure BDA0003448807630000065
中第j个参数。
步骤S2中计算所有参与方在本轮训练的平均距离的具体方法为：根据公式：
Figure BDA0003448807630000066
获取所有参与方在第t轮训练的平均距离avgDist；其中N表示第t轮训练的参与方数量。
步骤S4中获取第三曲线与第四曲线的余弦相似度的具体方法为：根据公式：
Figure BDA0003448807630000067
获取第三曲线与第四曲线的余弦相似度cosθ；其中θk表示第三曲线中第k 个项的系数；
Figure BDA0003448807630000068
表示第四曲线中第k个项的系数，即训练T次时第三曲线和第四曲线均存在T个项。
步骤S5中根据余弦相似度调整对应参与方的信誉值的具体方法为：
若
Figure BDA0003448807630000069
则根据公式creditt＝creditt-1+cosθ×2更新参与方的信誉值；
若
Figure BDA00034488076300000610
则根据公式creditt＝creditt-1更新参与方的信誉值；
若
Figure BDA00034488076300000611
则根据公式creditt＝creditt-1-(1-cosθ)×2更新参与方的信誉值；
其中，cosθ为余弦相似度；creditt为参与方更新后的信誉值；creditt-1为参与方更新前的信誉值。步骤S6中信誉阈值为60。
在本发明的一个实施例中，为了验证本方法的有效性，实验环境为Ubun tu 20.04操作***。编程环境为Python 3.7.4，pytorch 1.9.0，CUDA 10.2。所有实验采用数据为MNIST数据集，为了模拟非独立同分布环境，我们将MNIST所有数据分布在1000个用户上，每台设备只分配2种标签的样本，每个用户拥有的样本数遵循幂律(即样本大的用户数量小，样本小的用户数量大)，随机抽取其中200客户端(客户端即参与方)完成训练。各参与方利用其拥有的数据进行逻辑回归模型训练。
图2示出了本发明与常规联邦学习聚合算法在面对毒化攻击下对于MNIST 数据集的分类进度，其中accuracy表示准确率，noAttack表示无攻击，noDefence 表示无防御(即常规联邦学习聚合算法)，Defence表示本方法。从图2中可以看出，在面对毒化攻击时本发明可以显著提升模型精度，保证最终训练模型的准确性。
综上所述，本发明在客户端使用非独立同分布数据前提下，能够对联邦学习***中的恶意参与方进行检测。通过形成各参与方模型的历史距离函数曲线，观察各曲线变化情况，不聚合单次异常模型，剔除长期异常的恶意参与方，从而保证联邦学习最终全局模型的准确性。本发明能够在服务器无法确定各参与方真实身份的情况下，通过长期检测客户端模型变化，从非独立同分布的本地模型中检测异常，从而保证全局模型性能，实现安全、可靠的联邦学习。

Claims (8)

1.一种联邦学习毒化攻击检测方法，其特征在于，包括以下步骤：
S1、确定参与方的个数，将参与方初始化为正常状态，并初始化全局模型和参与方的信誉值；
S2、在每轮训练后，获取各个参与方上传的模型，并计算各参与方的模型与上轮全局模型之间的距离，以及所有参与方在本轮训练的平均距离；
S3、在第T轮训练后，将获取的各参与方的模型与上轮全局模型之间的距离通过最小二乘法进行拟合，得到若干第一曲线；将平均距离进行拟合，得到第二曲线；
S4、对第一曲线进行求导，得到若干第三曲线；对第二曲线进行求导，得到第四曲线；获取每条第三曲线与第四曲线的余弦相似度；
S5、将余弦相似度大于等于1/2的参与方加入当前轮次聚合集合；根据余弦相似度调整对应参与方的信誉值；
S6、将信誉值低于信誉阈值的参与方认定为恶意参与方并拒绝其加入训练，并将当前轮次聚合集合中符合信誉要求的参与方上传的模型进行聚合，得到新的全局模型；
S7、判断新的全局模型是否收敛，若是则结束；否则进入步骤S8；
S8、将新的全局模型下发至所有参与方，将训练轮数加1，重复步骤S2至S7。
2.根据权利要求1所述的联邦学习毒化攻击检测方法，其特征在于，步骤S1中参与方信誉值的初始值为100。
3.根据权利要求1所述的联邦学习毒化攻击检测方法，其特征在于，步骤S2中计算各参与方的模型与上轮全局模型之间的距离的具体方法为：
根据公式：
Figure FDA0003448807620000021
获取第i个参与方在第t轮训练后上传的模型
Figure FDA0003448807620000022
与上轮全局模型
Figure FDA0003448807620000023
之间的距离
Figure FDA0003448807620000024
其中W表示模型参数总个数；
Figure FDA0003448807620000025
表示模型
Figure FDA0003448807620000026
中第j个参数；
Figure FDA0003448807620000027
表示全局模型
Figure FDA0003448807620000028
中第j个参数。
4.根据权利要求3所述的联邦学***均距离的具体方法为：
根据公式：
Figure FDA0003448807620000029
获取所有参与方在第t轮训练的平均距离avgDist；其中N表示第t轮训练的参与方数量。
5.根据权利要求1所述的联邦学习毒化攻击检测方法，其特征在于，步骤S3中T的数值为5。
6.根据权利要求1所述的联邦学习毒化攻击检测方法，其特征在于，步骤S4中获取第三曲线与第四曲线的余弦相似度的具体方法为：
根据公式：
Figure FDA00034488076200000210
获取第三曲线与第四曲线的余弦相似度cosθ；其中θk表示第三曲线中第k个项的系数；
Figure FDA00034488076200000211
表示第四曲线中第k个项的系数，即训练T次时第三曲线和第四曲线均存在T个项。
7.根据权利要求2所述的联邦学习毒化攻击检测方法，其特征在于，步骤S5中根据余弦相似度调整对应参与方的信誉值的具体方法为：
若
Figure FDA0003448807620000031
则根据公式creditt＝creditt-1+cosθ×2更新参与方的信誉值；
若
Figure FDA0003448807620000032
则根据公式creditt＝creditt-1更新参与方的信誉值；
若
Figure FDA0003448807620000033
则根据公式creditt＝creditt-1-(1-cosθ)×2更新参与方的信誉值；
其中，cosθ为余弦相似度；creditt为参与方更新后的信誉值；creditt-1为参与方更新前的信誉值。
8.根据权利要求7所述的联邦学习毒化攻击检测方法，其特征在于，步骤S6中信誉阈值为60。
CN202111668344.6A 2021-12-31 2021-12-31 一种联邦学习毒化攻击检测方法 Active CN114330750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111668344.6A CN114330750B (zh) 2021-12-31 2021-12-31 一种联邦学习毒化攻击检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111668344.6A CN114330750B (zh) 2021-12-31 2021-12-31 一种联邦学习毒化攻击检测方法

Publications (2)

Publication Number Publication Date
CN114330750A true CN114330750A (zh) 2022-04-12
CN114330750B CN114330750B (zh) 2022-08-16

Family

ID=81020026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111668344.6A Active CN114330750B (zh) 2021-12-31 2021-12-31 一种联邦学习毒化攻击检测方法

Country Status (1)

Country Link
CN (1) CN114330750B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115333825A (zh) * 2022-08-10 2022-11-11 浙江工业大学 针对联邦学习神经元梯度攻击的防御方法
CN115442103A (zh) * 2022-08-29 2022-12-06 成都安恒信息技术有限公司 一种群体学习抗毒化攻击方法、***、设备及存储介质
CN115865642A (zh) * 2023-03-03 2023-03-28 中南大学 一种招募可信节点完成计算任务的方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909219A (zh) * 2017-12-06 2018-04-13 广东工业大学 一种基于双重聚类的日售电量预测方法及***
JP2019028737A (ja) * 2017-07-31 2019-02-21 東京電力ホールディングス株式会社 類似度算出装置、類似度算出方法、及びプログラム
CN111460443A (zh) * 2020-05-28 2020-07-28 南京大学 一种联邦学习中数据操纵攻击的安全防御方法
CN112188495A (zh) * 2020-09-01 2021-01-05 大连理工大学 超密集网络下基于联邦学习的缓存污染攻击检测方法
CN112231570A (zh) * 2020-10-26 2021-01-15 腾讯科技（深圳）有限公司 推荐***托攻击检测方法、装置、设备及存储介质
WO2021095044A1 (en) * 2019-11-15 2021-05-20 Telefonaktiebolaget Lm Ericsson (Publ) Apparatuses, methods, and computer programs for detecting an impostor system
CN113301017A (zh) * 2021-04-22 2021-08-24 西安电子科技大学 基于联邦学习的攻击检测与防御方法、装置及存储介质
CN113553582A (zh) * 2021-07-14 2021-10-26 中国人民解放军战略支援部队信息工程大学 恶意攻击检测方法、装置及电子设备
US20210374617A1 (en) * 2020-06-02 2021-12-02 Lingyang CHU Methods and systems for horizontal federated learning using non-iid data
CN113780344A (zh) * 2021-08-05 2021-12-10 中山大学 一种基于层次聚类的联邦学习方法及***
CN113806735A (zh) * 2021-08-20 2021-12-17 北京工业大学 一种执行与评价双网络个性化联邦学习入侵检测方法及***

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019028737A (ja) * 2017-07-31 2019-02-21 東京電力ホールディングス株式会社 類似度算出装置、類似度算出方法、及びプログラム
CN107909219A (zh) * 2017-12-06 2018-04-13 广东工业大学 一种基于双重聚类的日售电量预测方法及***
WO2021095044A1 (en) * 2019-11-15 2021-05-20 Telefonaktiebolaget Lm Ericsson (Publ) Apparatuses, methods, and computer programs for detecting an impostor system
CN111460443A (zh) * 2020-05-28 2020-07-28 南京大学 一种联邦学习中数据操纵攻击的安全防御方法
US20210374617A1 (en) * 2020-06-02 2021-12-02 Lingyang CHU Methods and systems for horizontal federated learning using non-iid data
CN112188495A (zh) * 2020-09-01 2021-01-05 大连理工大学 超密集网络下基于联邦学习的缓存污染攻击检测方法
CN112231570A (zh) * 2020-10-26 2021-01-15 腾讯科技（深圳）有限公司 推荐***托攻击检测方法、装置、设备及存储介质
CN113301017A (zh) * 2021-04-22 2021-08-24 西安电子科技大学 基于联邦学习的攻击检测与防御方法、装置及存储介质
CN113553582A (zh) * 2021-07-14 2021-10-26 中国人民解放军战略支援部队信息工程大学 恶意攻击检测方法、装置及电子设备
CN113780344A (zh) * 2021-08-05 2021-12-10 中山大学 一种基于层次聚类的联邦学习方法及***
CN113806735A (zh) * 2021-08-20 2021-12-17 北京工业大学 一种执行与评价双网络个性化联邦学习入侵检测方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CLEMENT FUNG: "Mitigating Sybils in Federated Learning Poisoning", 《ARXIV》 *
ZHAOSEN SHI: "Mitigation of Poisoning Attack in Federated Learning by using Historical Distance Detection", 《2021 5TH CYBER SECURITY IN NETWORKING CONFERENCE》 *
刘飚: "基于矩阵映射的拜占庭鲁棒联邦学习算法", 《计算机研究与发展》 *
周传鑫: "联邦学习研究综述", 《网络与信息安全学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115333825A (zh) * 2022-08-10 2022-11-11 浙江工业大学 针对联邦学习神经元梯度攻击的防御方法
CN115333825B (zh) * 2022-08-10 2024-04-09 浙江工业大学 针对联邦学习神经元梯度攻击的防御方法
CN115442103A (zh) * 2022-08-29 2022-12-06 成都安恒信息技术有限公司 一种群体学习抗毒化攻击方法、***、设备及存储介质
CN115442103B (zh) * 2022-08-29 2024-05-31 成都安恒信息技术有限公司 一种群体学习抗毒化攻击方法、***、设备及存储介质
CN115865642A (zh) * 2023-03-03 2023-03-28 中南大学 一种招募可信节点完成计算任务的方法和装置
CN115865642B (zh) * 2023-03-03 2023-05-09 中南大学 一种招募可信节点完成计算任务的方法和装置

Also Published As

Publication number Publication date
CN114330750B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN114330750B (zh) 一种联邦学习毒化攻击检测方法
CN112434280B (zh) 一种基于区块链的联邦学习防御方法
Jiang et al. A trust cloud model for underwater wireless sensor networks
Man et al. Intelligent Intrusion Detection Based on Federated Learning for Edge‐Assisted Internet of Things
CN109617706B (zh) 工业控制***防护方法及工业控制***防护装置
CN108182536B (zh) 一种基于有限理性的配电网cps安全防御方法
CN111935193B (zh) 基于伪装代理与动态技术相关联的自动化安全防护方法
Pang et al. A malicious node detection strategy based on fuzzy trust model and the ABC algorithm in wireless sensor network
Ibrahem et al. Electricity-theft detection for change-and-transmit advanced metering infrastructure
CN112560059B (zh) 一种基于神经通路特征提取的垂直联邦下模型窃取防御方法
Li et al. Retracted: Design of multimedia blockchain privacy protection system based on distributed trusted communication
US20240020380A1 (en) Clustering-based adaptive robust collaborative learning method and apparatus
CN115687758A (zh) 一种用户分类模型训练方法、用户检测方法
CN110298170B (zh) 一种考虑盲目攻击因子的电力scada***安全性评估方法
CN109284333A (zh) 基于区块链的产业链数据维护方法及平台
CN116187469A (zh) 一种基于联邦蒸馏学习框架的客户端成员推理攻击方法
Zhou et al. Novel defense schemes for artificial intelligence deployed in edge computing environment
Lv et al. Research on modeling of e-banking fraud account identification based on federated learning
Lin Financial performance management system and wireless sharing network optimization of listed enterprises under BPNN
CN113010909A (zh) 一种科学数据共享平台数据安全分级方法和装置
Zhang Analysis of Network Security Countermeasures From the Perspective of Improved FS Algorithm and ICT Convergence
Dong et al. Blockchain-Assisted Reputation Mechanism for Distributed Cloud Storage
Zhang et al. Multi-round data poisoning attack and defense against truth discovery in crowdsensing systems
Yang et al. Defending against social network sybils with interaction graph embedding
CN111988184B (zh) 一种基于态势感知的广播风暴检测与处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant