// 猜测基于假设：
// 如果两个客户的本地 wlocal 和 w_global 的 对应元素差相近，它们的数据更接近。
// 蓄意攻击者通过加噪声等方式修改本地数据，意图污染 w_global，会让本地数据变得很奇怪，和其他的善良的偏离者在 w 网络下表现类似，却在另一个高纬空间的投影，新的网络 m 中表现不同。（我的猜测，不知道有没有可能。恶意用户 i 修改数据会让数据变得和谁都不像，在 w 中呈现和善良的用户 k 相近的表现，只是偶然。并不会在 m 中 依然接近 k）
还有一种通用方式（应对某些恶意用户 i 他的 w_local_i 并不过分偏离 w_global）：
找一个用户k，他的 w_local_k 和 w_local_i 距离很近。server命令他们根据参数列表 temporary_table(临时生成的一组网络参数，包括层数、行列数量)。i 和 k 依据 table 训练网络 m， 交叉验证异地表现。
机器学习是希望使用一个矩阵，高维空间，对数据特征特征进行模拟。 server如 google 维护一个全局的矩阵w_global。客户端的数据不满足独立同分布，其中本地数据记为 w_local_i, 其中i 为用户名。 给定一个标量 trust_Max 超参数，定义最大偏离的距离，定义某个客户 与 w 的”距离“的矩阵 distance_to_global_i = w - w_local_i (对应元素相减)，检验一下distance_to_global_i 矩阵 L2 范数与 trust_Max 的关系。
大于阈值，代表该用户和大多数用户的使用习惯偏差过大，有蓄意攻击的可能。 但世界上还会存在少量其他用户 w_local_k 和他的 w_local_i 的分布近似，体现在两个“距离矩阵”的差 distance_to_global_i - distance_to_global_k 的新矩阵的L2 很小。意味着利用 google 提供的高维空间 w 拟合两个用户的习惯类似。
---以下，猜测的部分----
在i k中分别训练另一个网络 m_i 和 m_k，m 使用不同于 w 的网络结构、参数，但 m_i 和 m_k参数相同。训练相同epoch。 方法一：得到本地的训练评价acc_i 和 acc_k，交换 m，分别在异地验证m，得到对方m 在本地的评价。与先前的评价进行比较。 方法二：直接对 m_i 和 m_k 差的 L2进行度量，判断 m_1 和 m_k 是否相近。
// 猜测基于假设： // 如果两个客户的本地 wlocal 和 w_global 的 对应元素差相近，它们的数据更接近。 // 蓄意攻击者通过加噪声等方式修改本地数据，意图污染 w_global，会让本地数据变得很奇怪，和其他的善良的偏离者在 w 网络下表现类似，却在另一个高纬空间的投影，新的网络 m 中表现不同。（我的猜测，不知道有没有可能。恶意用户 i 修改数据会让数据变得和谁都不像，在 w 中呈现和善良的用户 k 相近的表现，只是偶然。并不会在 m 中 依然接近 k）
还有一种通用方式（应对某些恶意用户 i 他的 w_local_i 并不过分偏离 w_global）： 找一个用户k，他的 w_local_k 和 w_local_i 距离很近。server命令他们根据参数列表 temporary_table(临时生成的一组网络参数，包括层数、行列数量)。i 和 k 依据 table 训练网络 m， 交叉验证异地表现。