买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉佳木斯大学申请的专利一种基于边缘计算的联邦学习混合隐私保护方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119254400B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411278184.8，技术领域涉及：H04L9/00；该发明授权一种基于边缘计算的联邦学习混合隐私保护方法是由张磊;叶前呈;王斌;何丽丽;刘义设计研发完成，并于2024-09-12向国家知识产权局提交的专利申请。

本一种基于边缘计算的联邦学习混合隐私保护方法在说明书摘要公布了：一种基于边缘计算的联邦学习混合隐私保护方法，它属于联邦学习领域。本发明解决了现有方法的隐私保护水平有限、计算开销大以及获得模型的性能不佳的问题。本发明在参与者上传模型参数到边缘服务器之前，利用实对称矩阵对模型参数进行干扰，实现聚合抵消掩蔽的效果。边缘服务器使用基于差分隐私的拉普拉斯机制和同态加密对子聚合模型加强隐私保护，即使攻击者与边缘服务器共谋，得到的也是添加噪声的全局参数，可以进一步提高隐私保护，边缘服务器接收到密文全局模型后解密并对签名进行验证，验证通过后下发到各个终端设备。本发明方法可以应用于联邦学习的隐私保护。

本发明授权一种基于边缘计算的联邦学习混合隐私保护方法在权利要求书中公布了：1.一种基于边缘计算的联邦学习混合隐私保护方法，其特征在于，所述方法具体包括以下步骤： 步骤一、随机选择两个大素数p和q，且满足gcdpq,p‑1q‑1＝1，gcd·,·表示计算最大公约数，计算n＝pq、λ＝lcmp‑1,q‑1，lcm·,·表示计算最小公倍数，随机选择整数r，计算h＝rnmodn2和v＝λ‑1modn，rnmodn2表示rn除以n2的余数，λ‑1modn表示λ‑1除以n的余数，并基于h和n生成同态加密公钥pk＝n,h、基于λ和v生成私钥sk＝λ,v； 初始化生成元g1、g2以及双线性映射函数e，并初始化维度为N×N的实对称矩阵A、最大隐私预算εmax和最小隐私预算εmin，其中，g1∈G1、g2∈G2，G1和G2均为乘法群； 将双线性映射函数e、同态加密公钥pk、私钥sk、生成元g1、g2、最大隐私预算εmax和最小隐私预算εmin分发给各个边缘服务器，并将实对称矩阵A的第i行Ai分发给第i个终端设备，N是终端设备总个数； 步骤二、初始化训练轮数t＝1； 步骤三、各个终端设备均部署有本地模型，并利用自身的本地数据对本地模型进行训练后，获得各个终端设备的本地模型上训练好的权重参数和准确率； 各个终端设备利用接收到的实对称矩阵中的元素对本地的权重参数和准确率进行处理后，将处理后的权重参数和准确率上传至边缘服务器； 步骤四、边缘服务器对接收到的权重参数和准确率进行聚合，得到子聚合模型权重参数和子聚合准确率； 根据最大隐私预算εmax和最小隐私预算εmin给子聚合模型权重参数添加噪声，并利用同态加密公钥对添加噪声的子聚合模型权重参数进行同态加密，得到密文子聚合模型权重参数； 将密文子聚合模型权重参数和子聚合准确率上传至中央服务器； 步骤五、中央服务器对各边缘服务器上传的密文子聚合模型权重参数进行聚合，得到密文聚合模型权重参数；对各边缘服务器上传的子聚合准确率进行聚合，得到聚合准确率； 并将密文聚合模型权重参数和聚合准确率下发至边缘服务器； 步骤六、边缘服务器利用私钥sk对密文聚合模型权重参数进行解密，并对解密出的聚合模型权重参数进行验证； 若验证通过，将解密出的聚合模型权重参数与聚合准确率相除得到全局模型参数，并将全局模型参数下发至各个终端设备，各个终端设备上部署的本地模型根据接收到的全局模型参数进行权重参数更新，再执行步骤七； 若验证未通过，则直接执行步骤七； 步骤七、判断当前训练轮数t是否等于T； 若t不等于T，则令t＝t+1，返回执行步骤三； 若t等于T，则结束训练，各个终端设备将最后一次更新获得的权重参数作为最终的本地模型权重参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人佳木斯大学，其通讯地址为：154007 黑龙江省佳木斯市学府路148号佳木斯大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。