-
Notifications
You must be signed in to change notification settings - Fork 0
/
cliente_principal.py
300 lines (225 loc) · 15.8 KB
/
cliente_principal.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
import os
import csv
import sys
import time
import random
import pickle
import flwr as fl
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from dataset_utils import ManageDatasets
from scipy.stats import dirichlet, multinomial, beta
class ClienteFlower(fl.client.NumPyClient):
def __init__(self,cid, modelo_definido, iid_niid, modo_ataque, dataset,
total_clients, alpha_dirichlet,noise_gaussiano, round_inicio,
per_cents_atacantes):
self.modelo_definido = str(modelo_definido)
self.iid_niid = str(iid_niid)
self.modo_ataque = str(modo_ataque)
self.dataset = str(dataset)
self.total_clients = int(total_clients)
self.alpha_dirichlet = alpha_dirichlet
self.noise_gaussiano = noise_gaussiano
self.round_inicio = round_inicio
self.per_cents_atacantes = int((int(total_clients) * per_cents_atacantes)/100)
self.atacantes = per_cents_atacantes
self.cid = int(cid)
self.modelo = self.cria_modelo()
self.x_treino, self.y_treino, self.x_teste, self.y_teste = self.load_data()
def cria_modelo(self):
modelo = tf.keras.models.Sequential()
if self.modelo_definido =='DNN':
modelo.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
modelo.add(tf.keras.layers.Dense(128, activation='relu'))
modelo.add(tf.keras.layers.Dense(64, activation='relu'))
modelo.add(tf.keras.layers.Dense(10, activation='softmax'))
else:
modelo.add(tf.keras.layers.Conv2D(32,(3,3), activation= 'relu', input_shape=(32, 32, 3)))
modelo.add(tf.keras.layers.MaxPooling2D(2,2))
modelo.add(tf.keras.layers.Conv2D(64,(3,3), activation='relu'))
modelo.add(tf.keras.layers.MaxPooling2D(2,2))
modelo.add(tf.keras.layers.Conv2D(64,(3,3), activation='relu'))
modelo.add(tf.keras.layers.Flatten())
modelo.add(tf.keras.layers.Dense(64, activation='relu'))
modelo.add(tf.keras.layers.Dense(10, activation='softmax'))
modelo.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
return modelo
def load_data(self):
n_clients = self.total_clients
alpha = self.alpha_dirichlet
test_size = 0.2
dataset_size = 1000
if self.dataset == 'MNIST':
(x_treino, y_treino), (x_teste, y_teste) = tf.keras.datasets.mnist.load_data()
else:
(x_treino, y_treino), (x_teste, y_teste) = tf.keras.datasets.cifar10.load_data()
x_treino, x_teste = x_treino/255.0, x_teste/255.0
if self.iid_niid == 'IID':
x_treino, y_treino, x_teste, y_teste = self.split_dataset(x_treino, y_treino, x_teste, y_teste, n_clients)
elif self.iid_niid == 'NIID':
x_treino, y_treino, x_teste, y_teste = ManageDatasets(self.cid, dataset_name=self.dataset).select_dataset(alpha = alpha, dataset_size = dataset_size)
nome_arquivo = f"TESTES/{self.iid_niid}/LABELS/{self.modo_ataque}_{self.dataset}_{self.modelo_definido}_{self.atacantes}_{self.alpha_dirichlet}_{self.noise_gaussiano}_{self.round_inicio}.csv"
uniq, count = np.unique(y_treino, return_counts=True)
os.makedirs(os.path.dirname(nome_arquivo), exist_ok=True)
with open(nome_arquivo,'a') as csvfile:
writer = csv.writer(csvfile)
for valor, contagem in zip(uniq, count):
writer.writerow([valor, contagem, self.cid])
return x_treino, y_treino, x_teste, y_teste
def save_class_quantities(self):
classes, counts = np.unique(self.y_train, return_counts=True)
filename = f'local_logs/{self.dataset}/alpha_{self.dir_alpha}/{self.cluster_metric}-({self.metric_layer})-{self.cluster_method}-{self.selection_method}-{self.POC_perc_of_clients}'
filename = f"{filename}/class_quantities_{self.n_clients}clients_{self.n_clusters}clusters.csv"
os.makedirs(os.path.dirname(filename), exist_ok=True)
with open(filename, "a") as f:
for classe, count in zip(classes, counts):
f.write(f"{self.cid}, {classe}, {count}\n")
def split_dataset(self, x_train, y_train, x_test, y_test, n_clients):
p_train = int(len(x_train)/n_clients)
p_test = int(len(x_test)/n_clients)
selected_train = random.sample(range(len(x_train)), p_train)
selected_test = random.sample(range(len(x_test)), p_test)
x_train = x_train[selected_train]
y_train = y_train[selected_train]
x_test = x_test[selected_test]
y_test = y_test[selected_test]
return x_train, y_train, x_test, y_test
def get_parameters(self, config):
return self.modelo.get_weights()
def fit(self, parameters, config):
server_round = int(config['server_round'])
modo= self.modo_ataque
if self.modelo_definido == 'CNN':
camada_alvo = 8
elif self.modelo_definido == 'DNN':
camada_alvo = 5
if modo=='ALTERNA_INICIO' and server_round >= self.round_inicio and self.cid <= self.per_cents_atacantes:
situacao = 1
self.modelo.set_weights(parameters)
history = self.modelo.fit(self.x_treino, self.y_treino, epochs=1, verbose=2)
accuracy = history.history["accuracy"][0]
loss = history.history["loss"][0]
a = self.modelo.get_weights()
camada = random.randint(0,camada_alvo)
shape_list = np.shape(a[camada])
min_value = random.random()
max_value = random.random()
a[camada] = min_value + (max_value- min_value) * np.random.rand(*shape_list)
return a, len(self.x_treino),{"accuracy": accuracy, "loss": loss, "situacao":situacao,'camada_alvo':camada_alvo,'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'ruido_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio, 'conjunto_de_dados':self.dataset}
elif modo=='ATACANTES' and server_round >= self.round_inicio and self.cid <= self.per_cents_atacantes:
situacao = 1
self.modelo.set_weights(parameters)
history = self.modelo.fit(self.x_treino, self.y_treino, epochs=1, verbose=2)
accuracy = history.history["accuracy"][0]
loss = history.history["loss"][0]
a = self.modelo.get_weights()
camada = random.randint(0,camada_alvo)
shape_list = np.shape(a[camada])
min_value = random.random()
max_value = random.random()
a[camada] = min_value + (max_value- min_value) * np.random.rand(*shape_list)
return a, len(self.x_treino),{"accuracy": accuracy, "loss": loss, "situacao":situacao,'camada_alvo':camada_alvo,'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'ruido_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio, 'conjunto_de_dados':self.dataset}
elif modo=='EMBARALHA' or 'NORMAL' and server_round >= self.round_inicio and self.cid <= self.per_cents_atacantes:
situacao = 1
self.modelo.set_weights(parameters)
history = self.modelo.fit(self.x_treino, self.y_treino, epochs=1, verbose=0)
accuracy = history.history["accuracy"][0]
loss = history.history["loss"][0]
a = self.modelo.get_weights()
for i in range(0,camada_alvo):
camada = i
shape_list = np.shape(a[camada])
min_value = np.min(a[camada])
max_value = np.max(a[camada])
a[camada] = min_value + (max_value- min_value) * np.random.rand(*shape_list)
return a, len(self.x_treino),{"accuracy": accuracy, "loss": loss, "situacao":situacao,'camada_alvo':camada_alvo,'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'ruido_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio, 'conjunto_de_dados':self.dataset}
elif modo=='INVERTE_TREINANDO' and server_round >= self.round_inicio and self.cid <= self.per_cents_atacantes:
situacao = 1
print(">>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>")
images_folder = "imagens_pre_treinamento"
os.makedirs(images_folder, exist_ok=True)
for i in range(3):
plt.imshow(self.x_treino[i])
plt.title(f'Classe: {self.y_treino[i]}')
plt.axis('off')
plt.savefig(os.path.join(images_folder, f"imagem_{i}.png")) # Salvar a imagem
plt.close()
a = parameters
pesos_invertidos = [np.flipud(peso) for peso in a]
self.modelo.set_weights(pesos_invertidos)
history = self.modelo.fit(self.x_treino, self.y_treino, epochs=1, verbose=0)
accuracy = history.history["accuracy"][0]
loss = history.history["loss"][0]
images_folder = "imagens_pos_treinamento"
os.makedirs(images_folder, exist_ok=True)
for i in range(3):
plt.imshow(self.x_treino[i])
plt.title(f'Classe: {self.y_treino[i]}')
plt.axis('off')
plt.savefig(os.path.join(images_folder, f"imagem_{i}.png")) # Salvar a imagem
plt.close()
return self.modelo.get_weights(), len(self.x_treino),{"accuracy": accuracy, "loss": loss, "situacao":situacao,'camada_alvo':camada_alvo,'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'ruido_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio, 'conjunto_de_dados':self.dataset}
elif modo=='INVERTE_SEM_TREINAR' and server_round >= self.round_inicio and self.cid <= self.per_cents_atacantes:
situacao = 1
a = self.modelo.get_weights()
pesos_invertidos = [np.flipud(peso) for peso in a]
accuracy = 99.999
loss = 0.001
return pesos_invertidos, len(self.x_treino),{"accuracy": accuracy, "loss": loss, "situacao":situacao,'camada_alvo':camada_alvo,'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'ruido_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio, 'conjunto_de_dados':self.dataset}
elif modo=='INVERTE_CONVEGENCIA' and server_round >= self.round_inicio and self.cid <= self.per_cents_atacantes:
situacao = 1
a = parameters
b = self.modelo.get_weights()
for i in range(camada_alvo):
camada = i
a[camada] = a[i] + (a[i] - b[i])
accuracy = 99.999
loss = 0.001
return a, len(self.x_treino), {"accuracy": accuracy, "loss": loss,"situacao":situacao,'modelo':self.modelo_definido,'camada_alvo':camada_alvo, 'iid_niid': self.iid_niid,"ataque":self.modo_ataque,'conjunto_de_dados':self.dataset}
elif modo== 'ZEROS' and server_round >= self.round_inicio and self.cid <= self.per_cents_atacantes:
situacao = 1
a = parameters
for i in range(camada_alvo):
camada = i
a[camada] = np.zeros_like(a[camada])
self.modelo.set_weights(a)
history = self.modelo.fit(self.x_treino, self.y_treino, epochs=1, verbose=2)
accuracy = history.history["accuracy"][0]
loss = history.history["loss"][0]
return a, len(self.x_treino),{"accuracy": accuracy, "loss": loss, "situacao":situacao,'camada_alvo':camada_alvo,'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'ruido_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio, 'conjunto_de_dados':self.dataset}
elif modo=='RUIDO_GAUSSIANO' and server_round >= self.round_inicio and self.cid <= self.per_cents_atacantes:
situacao = 1
self.modelo.set_weights(parameters)
history = self.modelo.fit(self.x_treino, self.y_treino, epochs=1, verbose=2)
accuracy = history.history["accuracy"][0]
loss = history.history["loss"][0]
a = self.modelo.get_weights()
camada = random.randint(0,camada_alvo)
shape_list = np.shape(a[camada_alvo])
noise = self.noise_gaussiano
# loc = float(self.cid) * np.random.uniform(1.5,2)
a[camada_alvo] += np.random.normal(0, noise, shape_list)
return a, len(self.x_treino),{"accuracy": accuracy, "loss": loss, "situacao":situacao,'camada_alvo':camada_alvo,'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'ruido_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio, 'conjunto_de_dados':self.dataset}
else:
situacao = 0
self.modelo.set_weights(parameters)
history = self.modelo.fit(self.x_treino, self.y_treino, epochs=1, verbose=0)
accuracy = history.history["accuracy"][0]
loss = history.history["loss"][0]
return self.modelo.get_weights(),len(self.x_treino),{"accuracy": accuracy, "loss": loss, "situacao":situacao,'camada_alvo':camada_alvo,'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'ruido_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio, 'conjunto_de_dados':self.dataset}
def evaluate(self, parameters, config):
self.modelo.set_weights(parameters)
loss, accuracy = self.modelo.evaluate(self.x_teste, self.y_teste, verbose=2)
return loss, len(self.x_teste), {
"accuracy": accuracy, 'porcentagem_ataque': int(self.atacantes),'modelo':self.modelo_definido,"ataque":self.modo_ataque,'iid_niid':self.iid_niid,
'dataset':self.dataset,'alpha_dirichlet':self.alpha_dirichlet,'noise_gaussiano':self.noise_gaussiano, 'round_inicio':self.round_inicio
}