边缘智能协同计算模式下的隐私保护系统

智慧医疗背景下,隐私安全问题以及针对可控疾病的安全医疗预测与诊断至关重要。提出一种能够高效率地诊断可控疾病并对个人隐私数据和深度学习模型进行保护的基于边缘计算的安全医疗诊断系统。主要采用CNN卷积神经网络对医学图像数据进行处理,并在联邦学习Flower框架下将模型训练在中间服务器上,数据信息保留在本地客户端,结合差分隐私梯度下降算法保护个人敏感数据,最后使用可追踪的环签名技术在每个客户端签名,以此保护深度学习模型。在Kaggle数据库中已标注处理的原始淋巴切片细胞图片数据集上进行验证,系统准确率达到91.90%。