(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211045926.3 (22)申请日 2022.08.27 (71)申请人 国网河北省电力有限公司信息通信 分公司 地址 050000 河北省石家庄市裕华区富强 大街10号 申请人 华北电力大 学 （保定） 　 国家电网有限公司 (72)发明人 陈曦　辛锐　姜丹　王洪涛　 李士林　彭姣　王新颖　张鹏飞　 张博　赵劭康　卢艳艳　刘汝坤　 贺月　李涛　 (74)专利代理 机构 郑州欧凯专利代理事务所 (普通合伙) 41166 专利代理师 王林华(51)Int.Cl. G06F 21/62(2013.01) G06F 21/60(2013.01) H04L 9/00(2022.01) H04L 9/08(2006.01) G06V 10/762(2022.01) G06V 10/74(2022.01) (54)发明名称 一种保护多方数据隐私的联邦异常检测方 法 (57)摘要 本发明涉及数据安全和隐私计算技术领域， 具体是一种保护多方数据隐私的联邦异常检测 方法， 具体步骤包括步骤1、 步骤2和步骤3。 本发 明采用安全 联邦多视图谱聚类算法， 其中只有加 密参数在各方之间共 享， 借助paillier同态加密 机制， 每一方只能解密来自各方的聚合参数， 然 后在每次迭代时计算其局部聚类结构， 直到收 敛， 多视图联邦异常评估模块结合全局和局部聚 类结果， 定义一种多视图数据异常度量方法， 识 别不同类型的多视图异常数据， 并且能够保证所 有参与方都可以得出相同的检测结果。 权利要求书3页 说明书6页 附图1页 CN 115422580 A 2022.12.02 CN 115422580 A 1.一种保护多方 数据隐私的联邦异常检测方法， 其特 征在于， 包括如下步骤： 步骤1、 将m个数据拥有者DO连接在相互通信的安全通道上， 每个DO通过该通道广播信 息， 或从其他DO接收信息； 步骤2： 对于其中一个DO， 联邦谱聚类模块通过通道与其他DO交换信息， 并将U*和Gi提供 给多视图联邦异常评估 模块； 步骤3： 多视图联邦异常评估模块广播Gi并接收来自其他DO的所有簇分配矩阵， 以识别 两种类型的多视图异常。 2.根据权利要求1所述的一种保护多方数据隐私的联邦异常检测方法， 其特征在于， 步 骤2中联邦谱聚类模块的具体工作流 程如下： S1、 初始化： 利用可信中心机构TA来为每个数据拥有者D O生成密钥， 并假设密钥以一种 安全的方式分配给 所有的DO， 生成秘钥的公式为： KeyGen( κ ) →(pa， sk′i， sk)， i＝1， ...， m S2、 视觉特征的特征向量矩阵优 化： 对每个DO进行求解， 得到视图特征向量矩阵(VEM)Ui 的最佳值， 求 解公式为： S3、 加密： 每个DO通过初始化的密钥为自己拥有的参数进行加密， 并发送给其他DO， 加 密算法采用pai llier同态加密算法下的安全联邦多视图谱聚类算法， 其定义： 每个人都需要安全地与其他DO共享自己的 因此， 每个DO通过修改的 paillier系统的密钥sk ′i对Si进行加密： Encrypt(Si， sk′i)→[[Si]] 对于Si中的每个元素si， 都可以通过 下式计算 来实现： S4、 聚合： 每个DO将自己的参数和接收到的其余DO的参数合并在一起， 在发送Si后， 每个 DO还接收了其他DO的m个密文， 为了得到Si的和， DO需要执行聚合操作： Aggregate ([[S1]]，…， [[Sm]])→[[S]]， 具体计算方式： S5、 解密： 对聚合后的参数解密， DO通过密钥sk解密密文[[S]]： Decrypt([[S]]， sk) → S， 具体计算方式： S6、 公共特征向量矩阵优化(CEM优化)： 当得到S的值时， 即 DO用下述公式权　利　要　求　书 1/3 页 2 CN 115422580 A 2求得公共特 征向量矩阵U*： s.t.U*TU*＝I S1‑S6迭代执 行， 直到特 征向量矩阵U*满足预定义的收敛 标准； S7、 聚类： 通过U*采用传统的聚类算法导出全局聚类分配矩阵Gi。 3.根据权利要求2所述的一种保护多方数据隐私的联邦异常检测方法， 其特征在于， S1 式中： κ是一个给定的安全系数， pa表示公共参数， sk ′i是DO加密的密钥， sk是DO解密 的密 钥。 4.根据权利要求2所述的一种保护多方数据隐私的联邦异常检测方法， 其特征在于， S2 式中： L＝D‑1/2WD‑1/2为归一化的拉普拉斯矩阵， D为度矩阵， W为相似度矩阵； λ＝lcm(p ‑1， q‑ 1)， 其中lcm(， )表示取最小公倍数操作， p和q是满足|p|＝|q|＝κ 的两个大数； tr( ·)表示 矩阵的迹 。 5.根据权利要求2所述的一种保护多方数据隐私的联邦异常检测方法， 其特征在于， S3 式中ri是满足 的随机数， N ＝p·q， DO通过通道广播密文[ [Si]]。 6.根据权利要求2所述的一种保护多方数据隐私的联邦异常检测方法， 其特征在于， S4 式中： s， si分别是S， Si的元素。 7.根据权利要求2所述的一种保护多方数据隐私的联邦异常检测方法， 其特征在于， S5 式中： [[s]]是[[S]]的一个元素， 且 μ＝(L(gλmod N2))‑1， 其中g是一个随机整 数， 满足 且gcd(L(gλmod N2)， N)＝1， gcd(， )表示最大公约数操作； γ是TA随机选择的 一个随机数， 满足 且gcd(k， γ)＝1， 其中k是一个整数。 8.根据权利要求1所述的一种保护多方数据隐私的联邦异常检测方法， 其特征在于， 两 种类型的多视图异常 分别为属性异常和类别异常； 对于属性异常， 假设正常样本与相似样本接近， 位于某个聚类中心周围， 而异常样本远 离其他样本和任何聚类中心， 因此， 对于多视图样本l， 我们 将异常评分 ψ1(l)定义为l与其k 近邻(knn)之间的平均距离， 即： 其中： l*和 是从公共特征向量矩阵U*中提取的相应的全局特征， dist ance(， )表示两 个输入间的距离， k nn(l)表示样本l的k个最近邻的集 合； 对于类别异常， 假设异常样本和其他样本之间的聚类分配一致性明显高于正常样本， 将Gi转化为一个本地成员矩阵Mi∈RN×N， 满足 其中： c(·)表示样本的集群分配指示， 为了在多个视图之间获得集群分配协议， 每个 DO广播其本 地成员矩阵Mi， 并接收其他DO的成员矩阵， 然后， 定 义异常评分 ψ2(l)为聚类分配权　利　要　求　书 2/3 页 3 CN 115422580 A 3