[发明专利]在不规则用户中保留隐私的联邦学习的方法

权利要求书

1.在不规则用户中保留隐私的联邦学习的方法，其特征在于，云服务器方执行以下步骤：

1)系统初始化：被指定的两台服务器S₀、S₁，服务器S₁保存有第三方为其生成一对非对称密钥(pk₁，sk₁)，pk₁为公钥，sk₁为私钥；服务器S₀用于接收用户发送的使用公钥pk₁加密的梯度其中，为用户i第m次迭代的梯度，i为用户序号i＝1，...，N，N为系统内用户总数；

2)加密的汇总结果初始化：服务器S₀初始化各次迭代的汇总结果并使用公钥pk₁加密后发送至各用户；其中，表示使用公钥pk₁对A加密，为第m次迭代中使用的汇总结果，m∈[1，M]，M表示完成一代训练epoch时所进行的迭代Iteration的总次数，m表示迭代次数序号；

3)更新加密的用户的可靠性：服务器S₀利用给定加密的梯度和加密的汇总结果和S₁保存的私钥sk₁一起进行各用户i的可靠性更新，由服务器S₀生成加密的用户的可靠性更新值其中，T_i为用户i的可靠性，T_i与用户i本地梯度与汇总结果之间的距离呈负相关；

4)更新加密的汇总结果：服务器S₀利用更新得到的加密的用户的可靠性作为汇总结果的权重来更新各梯度m的加密的汇总结果使得可靠性越低的用户对汇总结果的影响越小，可靠性越高的用户对汇总结果的影响越大，并将更新各梯度m的加密的汇总结果发送至各用户。

2.如权利要求1所述方法，其特征在于，初始化的加密的第m次迭代的汇总结果为所有用户第m次迭代得到的梯度之和的平均值。

3.如权利要求1所述方法，其特征在于，步骤2)具体包括以下步骤：

服务器S₀根据同态加法准则计算所有用户第m次迭代得到的梯度之和的平均值

步骤2.2加密的第m次迭代的汇总结果被初始化为