(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 202210719272.1 (22)申请日 2022.06.23 (71)申请人 广州大学 地址 510006 广东省广州市大 学城外环西 路230号 (72)发明人 刘亚萍　张硕　陈兵　杨智凯　 陈杰　 (74)专利代理 机构 广州高炬知识产权代理有限 公司 44376 专利代理师 刘志敏 (51)Int.Cl. H04L 12/28(2006.01) H04L 61/5014(2022.01) H04N 7/18(2006.01) H04L 67/02(2022.01)H04L 69/16(2022.01) H04L 12/66(2006.01) G06N 20/00(2019.01) G06V 20/52(2022.01) G08B 17/12(2006.01) H04L 67/06(2022.01) (54)发明名称 一种基于联邦学习的智能家居隐私保护方 法及装置 (57)摘要 本发明公开了一种基于联邦学习的智能家 居隐私保护方法及系统， 该方法包括如下步骤： S1、 智能家居设备接入网关； S2、 网关为智能家居 设备提供远程访问服务； S3、 网关向云服务器发 布边缘计算服务通告； S4、 云服务器管理员向网 关发起联邦学习模型的FL训练计算请求； S5与 S6、 云服务器FL训练计算请求； S7、 云服务器收到 网关的联邦学习模型后， 再进行联邦学习模型的 FL训练， 至聚合的轮次完成； S8、 网关用聚合后的 模型进行FL推理处理； S9、 智能家居设备用聚合 后的模型进行FL推理处理； S10、 智能家居设备进 行数据集收集处理。 本发明适合在智能家居场景 中部署， 在本地网关处理用户的隐私数据， 可有 效保护用户的隐私信息 。 权利要求书3页 说明书10页 附图6页 CN 115333885 A 2022.11.11 CN 115333885 A 1.一种基于联邦学习的智能家居隐私保护方法， 其特 征在于， 其包括以下步骤： S1、 智能家居设备接入网关， 智能家居设备向网关发送DHCP请求， 同时网关对智能家居 设备进行判断分类， 将智能家居设备分成类型一的智能家居设备和类型二的智能家居设 备； S2、 网关为智能家居设备提供远程访问服 务； S3、 网关向类型一的智能家居设备厂商云服务器发布边缘计算服务通告； 类型二的智 能家居设备向类型二的智能家居设备厂商的云服务器发布边缘计算服务通告， 网关正常转 发类型二的智能家居设备的消息； S4、 类型一的智能家居设备厂商云服务器管理员向网关发起联邦学习模型的FL训练计 算请求， 并配置聚合的轮次， 转至步骤S5； 类型二的智能家居设备厂商云服务器管理员向类型二的智能家居设备发起联邦学习 模型的FL训练计算请求， 并配置聚合的轮次,转至步骤S6； S5、 网关处 理类型一的智能家居设备厂 商的云服 务器FL训练计算请求； S6、 类型二的智能家居设备处理类型二的智能家居设备厂商的云服务器FL训练计算请 求； S7、 类型一的智能家居设备厂商的云服务器收到网关的联邦学习模型后， 聚合模型并 将聚合后的模 型发送回网关， 再进 行联邦学习模 型的FL训练， 待聚合的轮次完成后， 转至步 骤S8； 类型二的智能家居设备厂商的云服务器收到类型二的智能家居设备的联邦学习模型 后， 聚合模型并将聚合后的模型下发至类型二的智能家居设备再进 行联邦学习模 型的FL训 练， 待聚合的轮次完成后， 转至步骤S9； S8、 网关用聚合后的模型进行 FL推理处理； S9、 类型二的智能家居设备用聚合后的模型进行 FL推理处理； S10、 网关和类型二的智能家居设备进行 数据集收集处 理。 2.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 所述步 骤S1中， 类型一的智能家居和类型二的智能家居设备接入网关时， 向网关发送带有智能家 居设备厂商服务器地址的DHCP请求， 若网关收到厂商服务器地址不为空的DHCP请求后， 将 该智能家居设备归为类型一的智能家居设备， 若网关收到厂商服务器地址为空的D HCP请求 后， 将该智能家居设备归为类型二的智能家居设备； 网关将厂商服务器地址重新发送回类型一的智能家居设备， 类型一的智能家居设备收 到后， 进行比对， 若比对结果一致则匹配成功， 进入隐私保护模式， 若比对结果不一致则匹 配失败， 进入正常模式； 网关正常转发类型二的智能家居设备的流 量。 3.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 所述步 骤S2中， 当网关与智能家居设备同时支持隐私保护模式时， 智能家居设备和智能网关匹配 成功， 用户在网关上配置个人云服务器， 远程访问智能家居设备的数据； 当 网关不支持隐私 保护模式时， 智能家居设备和网关匹配失败， 用户通过智能家居设备厂商的云服务器远程 访问智能家居设备的数据。 4.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 所述步 骤S3中， 当网关收到类型一的智能家居设备的DHCP请求后， 解析出智能家居设备厂商的云权　利　要　求　书 1/3 页 2 CN 115333885 A 2服务器的地址， 如果云服务器址不为空， 网关向此云服务器地址发布边缘计算服务通告， 边 缘计算服务通告基于WebSocket协议封装， 消息内容带有设备的hostname和 告知可以帮设 备厂商进行FL训练计算服务； 如果为空， 类型二的智能家居设备会向其厂商云服务器发布 边缘计算服务通告， 网关给类型二的智能家居设备分配IP地址， 正常转发类型二的智能家 居设备的流 量； 类型一的智能家居设备厂商的云服务器收到网关的消息后， 记录下新增网关 WebSocket连接和设备的hostname， 网关和云服 务器建立 通信连接； 类型二的智能家居设备厂商的云服务器收到类型二的智能家居设备的消息后， 记录下 类型二的智能家居设备通讯地址和对应标识的id， 类型二的智能家居设备和云服务器建立 通信连接 。 5.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 所述步 骤S5中， 网关收到类型一的智能家居设备厂商的云服务器请求训练的消息后， 判断本地的 CPU和内存资源是否大于训练计算请求的资源， 若 大于， 则返回给类型一的智能家居设备厂 商服务器一个基于WebSocket协议的消息， 消息内容表明 已满足进行训练的条件； 若不大 于， 则返回发送给云服务器一个基于WebSocket协议的消息， 消息内容表明此时资源不满足 进行训练的条件， 返回步骤S4。 6.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 所述步 骤S6中， 类型二的智能家居设备收到类型二的智能家居设备厂商服务器请求训练的消息 后， 判断本地的CPU和内存资源是否大于训练计算请求的资源， 若大于， 则返回给类型二的 智能家居设备厂商服务器一个基于WebSocket协议的消 息， 消息内容表明已满足进行训练 的条件， 若不大于， 则返回给服务器一个基于WebSocket协议的消息， 消息内容表明此时不 满足进行训练的条件， 返回步骤S4。 7.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 所述步 骤S8中， 网关收到类型一智能家居设备厂商的云服务器发送的新模型后， 替换旧的模型， 用 新模型进行推理， 在推理的过程中， 会把识别到的数据和类别保存在网关。 8.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 所述步 骤S9中， 类型二的智能家居设备收到类型二智能家居设备厂商发送的新模型后， 替换旧的 模型， 用新模型进 行推理， 在推理的过程中， 会把识别到的数据和类别保存在类型二的智能 家居设备。 9.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 所述步 骤S10中， 用户通过访问网关或类型二的智能家居设备的管理界面， 通过筛选和调整推理过 程中保存的数据和类别， 调整正确之后加入到联邦学习模型 FL训练的数据集中； 或通过上传本地数据， 对数据进行 标注， 将其加入到联邦学习模型 FL训练的数据集中。 10.根据权利要求1所述的基于联邦学习的智能家居隐私保护方法， 其特征在于， 当网 关设备收到智能家居设备厂商的云服务器FL训练计算结束请求时， 会关闭当前计算的服 务， 等待新的请求， 当类型一的智能家居设备重启断开连接时， 返回步骤S1； 当类型二的智能家居设备收到智能家居设备厂商的云服务器FL训练计算结束请求时， 会关闭当前计算的服务， 等待新的请求； 当类型二的智能家居设备重启断开连接时， 返回步 骤S1。权　利　要　求　书 2/3 页 3 CN 115333885 A 3