专利交易市场

本申请提供一种基于联邦学习的隐私计算服务方法及系统。其中，该方法通过识别联邦学习参与方原始数据的敏感字段类型，划分隐私等级并进行局部遮蔽叠加动态噪声生成脱敏数据。基于加密算法复杂度将数据分割为与运算单元数量成正比的数据块并行加密，经加密通道传输至协作节点获取聚合结果，同步记录耗时与隐私强度值。通过计算耗时差异值动态调整数据块分割数量，并与隐私强度值交叉验证生成关联参数。当隐私强度不足时，提升对应等级的动态噪声并同步优化数据块分割，形成噪声增强与分块加密的动态联动机制。本申请通过差异值与隐私强度的动态互反馈机制，实现数据脱敏强度与加密计算效率的实时平衡。

本发明涉及一种基于联邦学习的用户选择和资源分配方法，属于移动通信技术领域。首先，对参加FL的用户进行筛选。综合考虑IDs交互可靠度和交互新鲜度，生成IDs的信誉值。其次，基于层次分析法对IDs的QoS需求进行分析，根据IDs的不同QoS需求建立优先级。最后，将最小化FL任务总开销问题分解为计算阶段开销和通信资源分配两个子优化问题分别求解。在FL任务计算优化阶段，考虑IDs的CPU频率不同，需权衡计算时间和计算能耗；在通信资源优化阶段，根据IDs的优先级从高到低进行RB分配。本方案有效的降低了FL任务的总时延和能耗开销，在满足IDs的QoS需求同时保证了FL过程的可靠性和有效性。