基于联邦学习的边缘计算隐私保护方法

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。