一种多阶段可信聚合的去中心化联邦学习拜占庭鲁棒方法

本发明公开了一种多阶段可信聚合的去中心化联邦学习拜占庭鲁棒方法，旨在抵御拜占庭攻击；首先，通过特征感知密度聚类筛查邻居节点的梯度特征，过滤异常节点并形成第一阶段可信邻居集合；接着，基于拓扑相似性分析对客户端模型历史更新轨迹进行持久性拓扑特征提取，计算拓扑差异度并选取轨迹动态稳定且一致的第二阶段可信邻居；随后，采用范数重缩放结合余弦相似度的方法，对更新方向和幅度的一致性进行评估，获得第三阶段可信邻居；最终，将三阶段结果基于多维度可信度量融合，综合不同权重对邻居可信度进行评分，精准筛选可信邻居进行模型聚合，从而能有效抵御恶意节点破坏，提升模型聚合的鲁棒性与安全性，保障去中心化联邦学习系统稳定运行。