零信任下基于隐私加密数据去重的车联网联邦学习方法

本发明公开了一种零信任下基于隐私加密数据去重的车联网联邦学习方法，包括：各个车辆获取云端下发的全局模型参数，并更新本地模型的参数；各个车辆基于CSP和DLP的非对称同态加密算法对路边设备采集的数据进行数据去重；各个车辆接收路边设备上传的数据并将数据加入至本地数据集；各个车辆通过本地数据对本地模型进行训练；各个车辆将训练好的本地模型参数上传至云端，供云端通过聚合各个车辆的本地模型参数来更新全局模型参数；重复迭代训练，直至全局模型收敛或达到预设迭代次数。本发明在零信任构架和联邦学习框架下，通过CSP和DLP的非对称同态加密算法进行数据去重，保证联邦学习过程中模型训练的有效性，并减少数据传输、存储和处理的负担。