| 摘 要： | 随着物联网和大数据技术的高速发展，以传统云计算模式为代表的集中式学习效率低下，且易受到单点攻击、共谋攻击、中间人攻击等一系列攻击手段，造成数据安全的隐患。边缘计算模式使得分布式联邦学习成为了可能，然而，联邦学习虽然能够保证数据在本地的安全和隐私，但是也面临众多安全威胁，如梯度泄露攻击，此外，效率问题也是联邦学习的痛点所在。为了保障边缘计算场景下的模型训练安全，提出了一种边缘计算下的轻量级联邦学习隐私保护方案(Lightweight Federated Learning Privacy Protection Scheme Under Edge Computing, LFLPP)。首先，提出一种云-边-端分层的联邦学习框架；其次，对不同层进行隐私保护；最后，提出一种周期性更新策略，极大地提高了收敛速度。使用乳腺癌肿瘤数据集和CIFAR10数据集在LR模型和Resnet18残差模型上进行训练和测试，同时使用CIFAR10数据集与FedAvg和PPFLEC(Privacy-Preserving Federated Learning for Internet of Medical Things ...
|
