一种基于函数加密的公平联邦学习方法

本发明提出了一种基于函数加密的公平联邦学习方法，设计了基于多客户端函数加密MCFE和隐私保护信誉机制PPRM的隐私保护联邦学习框架——QPFFL，旨在解决联邦学习中的量子抵抗、隐私保护和公平性等挑战。其中，多客户端函数加密保证了客户端数据的隐私性，并实现了模型的安全聚合。隐私保护信誉机制识别和缓解恶意行为，评估每个客户端的贡献，并根据其信誉值调整模型权重。通过MCFE和PPRM的集成，该框架可以抵御搭便车和投毒等攻击，确保在不损害数据隐私的同时实现公平的模型分配。