基于联邦学习的边缘智能协同计算与隐私保护方法

联邦学习中,终端将更新后的模型参数值,而不是原始数据传递至服务器,从而成为保障边缘计算中数据隐私安全的关键技术。因此,提出了基于联邦学习的边缘计算方法(FLBEC),在保护用户隐私的同时,减少终端参与联邦学习的开销。首先设计了基于联邦学习的边缘计算系统架构,提出了隐私保护机制。分析了终端参与联邦学习时间和能耗,提出了研究的目标,即保护边缘计算中用户隐私,同时在保证精度的前提下,减少联邦学习时间和能耗。然后,从参与者选择、本地更新和全局聚合3个方面提出了改进后的联邦学习算法。最后通过对比实验验证了在FLBEC算法中,绝大多数终端在达到目标精度的前提下可以大幅度地降低联邦学习时间和能耗,从而减少联邦学习开销,表明了FLBEC算法的优越性。