DifferentialPrivacyClientSideFixedClipping¶

class DifferentialPrivacyClientSideFixedClipping(strategy: Strategy, noise_multiplier: float, clipping_norm: float, num_sampled_clients: int)[source]¶

Bases : Strategy

Wrapper stratégique pour le DP centralisé avec une éclissure client fixe.

Utilisez le modificateur de clipping fixe fixedclipping_mod au niveau du client.

En comparaison avec DifferentialPrivacyServerSideFixedClipping, qui effectue le clipping côté-serveur, DifferentialPrivacyClientSideFixedClipping attend que le clipping se produise côté-client, généralement en utilisant le modificateur de clipping fixe intégré.

Paramètres:

strategy (Strategy) – La stratégie à laquelle les fonctionnalités de DP seront ajoutées par ce wrapper.
noise_multiplier (float) – Le multiplicateur de bruit pour la mécanique gaussienne pour les mises à jour du modèle. Une valeur de 1,0 ou supérieure est recommandée pour une forte confidentialité.
clipping_norm (float) – La valeur de la norme de clipping.
num_sampled_clients (int) – Le nombre de clients échantillonnés à chaque tour.

Exemples

Créez une stratégie:

strategy = fl.server.strategy.FedAvg(...)

Enveloppez la stratégie avec le wrapper DifferentialPrivacyClientSideFixedClipping:

dp_strategy = DifferentialPrivacyClientSideFixedClipping(
    strategy, cfg.noise_multiplier, cfg.clipping_norm, cfg.num_sampled_clients
)

Sur le client, ajoutez le fixedclipping_mod aux mods côté-client:

app = fl.client.ClientApp(
    client_fn=client_fn, mods=[fixedclipping_mod]
)

Methods

`aggregate_evaluate`(server_round, results, ...)	Aggregate evaluation losses using the given strategy.
`aggregate_fit`(server_round, results, failures)	Add noise to the aggregated parameters.
`configure_evaluate`(server_round, parameters, ...)	Configure the next round of evaluation.
`configure_fit`(server_round, parameters, ...)	Configure le prochain tour d'entraînement.
`evaluate`(server_round, parameters)	Evaluate model parameters using an evaluation function from the strategy.
`initialize_parameters`(client_manager)	Initialize global model parameters using given strategy.

aggregate_evaluate(server_round: int, results: list[tuple[ClientProxy, EvaluateRes]], failures: list[tuple[ClientProxy, EvaluateRes] | BaseException]) → tuple[float | None, dict[str, bool | bytes | float | int | str]][source]¶: Aggregate evaluation losses using the given strategy.

aggregate_fit(server_round: int, results: list[tuple[ClientProxy, FitRes]], failures: list[tuple[ClientProxy, FitRes] | BaseException]) → tuple[Parameters | None, dict[str, bool | bytes | float | int | str]][source]¶: Add noise to the aggregated parameters.

configure_evaluate(server_round: int, parameters: Parameters, client_manager: ClientManager) → list[tuple[ClientProxy, EvaluateIns]][source]¶: Configure the next round of evaluation.

configure_fit(server_round: int, parameters: Parameters, client_manager: ClientManager) → list[tuple[ClientProxy, FitIns]][source]¶: Configure le prochain tour d’entraînement.

evaluate(server_round: int, parameters: Parameters) → tuple[float, dict[str, bool | bytes | float | int | str]] | None[source]¶: Evaluate model parameters using an evaluation function from the strategy.

initialize_parameters(client_manager: ClientManager) → Parameters | None[source]¶: Initialize global model parameters using given strategy.