基于多层联邦学习的终端数据隐私保护方案

2025-07-03 40 1.16M 0

  摘要:联邦学习作为一种保护数据隐私的分布式机器学习框架,面临着传统云-边-端三层结构难以满足日益严格的数据安全法规和指数级数据增长的挑战,同时边缘设备轻量化趋势导致计算能力受限。为解决上述问题,提出一种面向多级监管和异构资源环境的可选多层联邦学习方案——可选多层联邦学习方案(OHFL)。首先,OHFL采用树形多层结构,实现边缘层数与每层服务器数量的灵活配置,以适配不同应用场景下的监管层级和资源分布;其次,在保证通信效率的基础上,引入差分隐私机制,同时对部分神经网络层采用同态加密,并将加密任务下沉至最邻近的边缘服务器以分散计算压力。通过在MNIST数据集上的实验评估框架性能。实验结果表明,所提出方案在MNIST数据集上达到了97.82%的分类准确率,与传统基于全模型加密的方法相比,性能开销降低了94.5个百分点,新增加密机制带来的时间损失仅为每轮6.24秒,显著提升了系统的计算与通信效率。所提方案不仅在理论上提升了多层级联邦学习架构下的安全性与适应性,也为实际应用中满足多级监管和高效安全计算需求提供了可行路径,特别适用于数据敏感、资源异构的物联网与医疗等场景。



您还没有登录,请登录后查看详情



 
举报收藏 0打赏 0评论 0
本类推荐
下载排行
网站首页  |  关于我们  |  联系方式  |  用户协议  |  隐私政策  |  版权声明  |  网站地图  |  排名推广  |  广告服务  |  积分换礼  |  网站留言  |  RSS订阅  |  违规举报  |  蜀ICP备2024057410号-1