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！

龙图腾网获悉安徽师范大学申请的专利基于联邦学习的群智感知数据隐私保护方法及存储介质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：CN119835012B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202411829302.X，技术领域涉及：H04L9/40；该发明授权基于联邦学习的群智感知数据隐私保护方法及存储介质是由刘婷;王涛春;王奎德;刘耀坤;施新啟;陈付龙;孙丽萍;谢冬;罗永龙设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本基于联邦学习的群智感知数据隐私保护方法及存储介质在说明书摘要公布了：本发明公开了一种基于联邦学习的群智感知数据隐私保护方法及存储介质，在群智感知的联邦学习过程中，通过双层掩码和自适应微分扰动机制实现对传输和聚合过程的多层次隐私保护，双层掩码方法结合设备的私有掩码和服务器的公共掩码，对模型参数进行多重加密，确保参数在传输过程中的安全性，自适应微分扰动机制根据模型的变化情况动态调整噪声大小，在保护数据隐私的同时保持模型精度。本方案能够有效解决群智感知数据在联邦学习中的隐私保护问题。

本发明授权基于联邦学习的群智感知数据隐私保护方法及存储介质在权利要求书中公布了：1.一种基于联邦学习的群智感知数据隐私保护方法，其特征在于：在群智感知的联邦学习过程中，通过双层掩码和自适应微分扰动机制实现对传输和聚合过程的多层次隐私保护，双层掩码方法结合设备的私有掩码和服务器的公共掩码，对模型参数进行多重加密，确保参数在传输过程中的安全性，自适应微分扰动机制根据模型的变化情况动态调整噪声大小，在保护数据隐私的同时保持模型精度；所述方法包括系统初始化阶段、边缘智能感知设备的数据采集阶段、基于双层掩码的训练输出保护机制阶段、局部模型的微分扰动阶段、全局模型聚合和微分扰动阶段五个阶段； 所述基于双层掩码的训练输出保护机制阶段包括： 步骤2-1：每个感知设备在训练开始时生成一个个人随机掩码向量，该掩码向量用于保护设备本地训练输出数据的隐私性，是一个n维列向量，值域在[0,1]之间，设备将归一化处理后得到系数向量，并使用对称加密对和加密，随后将它们发送给边缘服务器； 步骤2-2：边缘服务器接收到各设备加密后的掩码向量和系数向量，并将这些向量构建为一个公共系数矩阵，服务器会验证向量的线性无关性，检查向量的线性无关性以确保构建的矩阵是满秩的； 当系数矩阵达到满秩时，生成公共掩码和逆矩阵，并使用对称加密算法对其进行加密，加密后的公共掩码通过安全通信通道分发给每个参与训练的感知设备，感知设备对密文进行解密，得到公开掩码和系数矩阵； 步骤2-3：在联邦学习的每一轮训练中，感知设备基于本地数据集进行本地训练，并生成偏模型输出；每个感知设备拥有一个本地数据集；设备将数据传递到本地模型中，通过本地模型的前向传播，设备得到一个对应的偏模型输出； 在每轮训练中，感知设备对多个输入样本执行训练过程，得到一系列的偏模型输出；将偏模型输出组合起来，形成一个偏模型输出矩阵； 步骤2-4：设备在将偏模型输出矩阵发送给边缘服务器之前，对矩阵进行加密；每个感知设备接收到公共掩码后，对本地模型输出进行分块，分块后的子块记为，对每个子块设备应用私有掩码和公共掩码进行双重加密；设备在完成所有子块的加密处理后，将加密后的输出数据发送至边缘服务器； 步骤2-5：掩码移除与模型恢复：边缘服务器接收到设备发送的加密子块数据后，利用逆矩阵和公共掩码对每个子块进行去除掩码，逐步还原模型输出；边缘服务器在获得模型的输出后，继续以输出的分量作为输入来完成神经网络的训练。

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安徽师范大学，其通讯地址为：241000 安徽省芜湖市弋江区花津南路安徽师范大学；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。