典型文献
基于联邦学习的边缘计算隐私保护方法
文献摘要：
针对边缘计算下联邦学习模型参数传递的安全性问题,提出一种基于联邦学习的边缘计算隐私保护方法(EC2PM).该方法首先利用本地差分隐私(LDP),对参与联邦学习(FL)的边缘设备训练的模型参数添加数据扰动;然后通过调整隐私参数ε控制隐私损失的大小;最后将边缘计算与联邦学习进行结合,模型训练全程无需上传本地数据,实现了在保障边缘用户安全共享数据时,边缘设备的数据本地化训练和模型聚合,解决了边缘用户数据的隐私安全问题.对比实验结果表明,该方法的准确率为86.87％,不仅能够确保聚合模型的准确率而且达到保护模型参数的效果,同时能够满足安全性要求较高的边缘计算场景.
文献关键词：
联邦学习;边缘计算;本地化差分隐私;隐私保护
中图分类号：
作者姓名：
葛斌;吴彩;张天浩;沐李亭;夏晨星
作者机构：
安徽理工大学计算机科学与工程学院,安徽 淮南 232001
文献出处：
引用格式：
[1]葛斌;吴彩;张天浩;沐李亭;夏晨星-.基于联邦学习的边缘计算隐私保护方法)[J].安徽理工大学学报（自然科学版）,2022(06):79-86
A类：
EC2PM
B类：
联邦学习,边缘计算,隐私保护,保护方法,算下,下联,参数传递,安全性问题,本地差分隐私,LDP,FL,边缘设备,加数,数据扰动,模型训练,全程无,传本,边缘用户,用户安全,安全共享,共享数据,数据本地化,模型聚合,用户数据,隐私安全,聚合模型,本地化差分隐私
AB值：
0.407254
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
