基于联合学习的边缘计算隐私保护系统及保护方法

摘要

本发明公开了一种基于联合学习的边缘计算隐私保护系统及保护方法，系统包括客户端和服务端，客户端用于本地训练并将更新后的参数添加扰动后加密发送到服务端，服务端接收客户端发送过来的加密数据，对其解密后进行本地参数更新，进而更新深度学习的模型；保护方法包括：步骤1、在客户端对参数添加扰动；步骤2、在客户端对数据进行加密；步骤3、在服务端对数据进行解密。本发明在无需任何可信聚合器的前提下使每个参与者可以安全地提交数据；通过以分布式方式向本地更新添加噪声扰动，其中扰动的更新用Paillier同态密码系统加密，安全性和性能分析表明PPFL协议可以同时保证客户端数据的隐私和学习的准确性，解决了隐私保护和学习准确率的冲突问题。