物联网中带有隐私保护的鲁棒联邦学习研究

联邦学习允许数据不出本地的情况下实现数据价值的有效流动,被认为是物联网(IoT)场景下兼顾数据共享与隐私保护的有效方法。然而,联邦学习系统易受拜占庭攻击和推理攻击的影响,导致系统的鲁棒性和数据的隐私性受损。物联网设备的数据异构性和资源瓶颈,也为带有隐私保护的鲁棒聚合算法设计带来巨大挑战。该文提出面向异构物联网的带有数据重采样的鲁棒聚合方法Re-Sim,通过测量方向相似性和标准化更新幅度实现模型的鲁棒聚合,并采用数据重采样技术增强数据异构环境下模型的鲁棒性。同时构建轻量安全聚合协议(LSA),在保证数据隐私性的同时兼顾模型鲁棒性、准确性和计算开销,并从理论上对协议的隐私性进行了分析。仿真结果表明,该方案能在数据异构情况下有效抵抗拜占庭攻击和推理攻击,与基线方法相比,该文所提方案精度提高1%~3%,同时减轻客户端侧计算开销79%。

基于矩阵映射的拜占庭鲁棒联邦学习算法

联邦学习(federated learning)由于参数服务器端只收集客户端模型而不接触客户端本地数据,从而更好地保护数据隐私.然而其基础聚合算法FedAvg容易受到拜占庭客户端攻击.针对此问题,很多研究提出了不同聚合算法,但这些聚合算法存在防守能力不足、模型假设不贴合实际等问题.因此,提出一种新型的拜占庭鲁棒聚合算法.与现有聚合算法不同,该算法侧重于检测Softmax层的概率分布.具体地,参数服务器在收集客户端模型之后,通过构造的矩阵去映射模型的更新部分来获取此模型的Softmax层概率分布,排除分布异常的客户端模型.实验结果表明:在不降低FedAvg精度的前提下,在阻碍收敛攻击中,将拜占庭容忍率从40%提高到45%,在后门攻击中实现对边缘后门攻击的防守.此外,根据目前最先进的自适应攻击框架,设计出专门针对该聚合算法的自适应攻击,并进行了实验评估,实验结果显示,该聚合算法可以防御至少30%的拜占庭客户端.

支撑云-群-端协同调度的多能园区虚拟电厂:研发与应用

虚拟电厂技术挖掘并利用了各类分布式资源的灵活调节能力,是提高电网安全水平、降低用户用能成本、促进新能源消纳的重要措施。在能源互联网环境下,虚拟电厂面临分布式资源主体众多且特性各异、不确定性强、各地电网需求多样化等技术挑战。文中基于云边协同的信息架构,设计了云-群-端递阶协同的多能虚拟电厂调度技术框架,研究并提出了面向特性各异分布式资源的调控能力标准化建模方法、日前鲁棒聚合和日内滚动修正衔接的虚拟电厂在线等值技术、考虑差异化调峰需求的虚拟电厂-电网交互调度模式等多项实用化关键技术,设计并开发了面向园区的虚拟电厂调度模块,并在多个工程现场实际运行。以中国北京某多能园区的场景分析为例,证明了所提方法的实用性和模块的通用性。

整合生物信息学鉴定宫颈高级别鳞状上皮内病变的关键基因

目的通过多芯片数据整合分析筛选高级别鳞状上皮内病变(HSIL)发生发展的关键基因,鉴定与HSIL密切相关的生物标志物及潜在的药物靶点。方法从GEO数据库下载HSIL的基因表达数据,并通过鲁棒秩聚合法(RRA)获得HSIL组和对照组(正常宫颈组织)之间的差异表达基因,随后进行基因功能注释和蛋白互作网络(PPI)分析,分析这些差异表达基因的生物学功能,鉴定与HSIL密切相关的关键基因。结果共纳入GSE63514、GSE7803、GSE138080和GSE26278四个数据集,共包含105个HSIL样品和56个正常宫颈组织样品。RRA集成分析确定了175个显著的差异表达基因(上调基因77个,下调基因98个),其中最显著上调的基因是细胞周期蛋白依赖性激酶抑制剂2A(CDKN2A),最显著下调的基因是富半胱氨酸的C端1(CRCT1)。根据PPI和RRA的结果,最终确定了5个与HSIL密切相关的关键基因,包括CXC趋化因子配体1(CXCL1)、胞嘧啶脱苷酶(CDA)、乳铁蛋白(LTF)、CDKN2A、CRCT1。结论CXCL1、CDA、LTF、CDKN2A、CRCT1可能作为HSIL的生物标志物,可能为HSIL的早期筛查和个体化治疗提供理论依据。