一种基于配置调整的横向联邦学习安全性加固方法及系统

本发明公开了一种基于配置调整的横向联邦学习安全性加固方法及系统，属于分布式架构安全性加固技术领域。通过确定目标联邦学习系统的客户端数量、本地数据模态以及联邦学习任务，生成一组满足准确率和计算开销的目标联邦学习系统初始配置，包括应用于本地模型和全局模型的模型架构、客户端本地数据分布、全局模型预训练程度和聚合方法；对初始配置发起包含脆弱性全覆盖的模拟攻击方式的渗透测试，根据测试结果调整配置，直至满足安全性要求，筛选最优配置，利用最优配置加固目标联邦学习系统。本发明实现了对目标联邦学习系统的灵活性配置，并能够对配置结果进行加固效果的有效评测，全方位避免隐私泄露风险，提升目标联邦学习系统的安全性。