分层边缘计算中利用联邦学习的差分隐私保护

来源：计算机技术与发展杂志2025年第04期北京时间：

作者：董少华;马新春;樊小超

单位：1. 新疆师范大学 计算机科学技术学院,新疆 乌鲁木齐 830054;2. 新疆电子研究所,新疆 乌鲁木齐 830013

摘要：分层边缘计算通过在资源受限的边缘设备和云服务器上协作运行,旨在最小化推理延迟和保护数据隐私。 然而,即使来自边缘设备的原始输入数据没有直接暴露于云中,针对边缘数据的最先进的攻击仍然能够从暴露的本地模型的中间输出中重建原始的私有数据,从而引入严重的隐私风险。为了克服这些限制,提出了一种新的算法,该算法合并了边缘阶段和云阶段的模型,提出了确定最佳聚合时间框架的定性指令,以减少计算和通信费用。通过在客户端和边缘服务器级别实现局部差分隐私,增强了本地模型参数更新时的隐私。在 CIFAR-10 和 MNIST 数据集上的实验表明,该算法在训练精度、训练时间和通信-计算权衡方面优于标准的联邦学习方法。 且该算法为分层边缘计算的挑战提供了一个很有前途的解决方案,使内容交付更快、移动服务质量更高。

关键词：分层边缘计算;联邦学习;差分隐私;边缘协作;数据隐私