一种面向医疗数据的隐私保护联邦学习安全聚合方法

本发明属于数据隐私保护技术领域，公开了一种面向医疗数据的隐私保护联邦学习安全聚合方法。首先医疗机构在上传自身医疗数据前会用随机生成的秘密对模型参数进行扰动，然后使用秘密共享机制来共享秘密，解决联邦学习中由于医疗机构存在异质性导致的掉线问题，其次采用同态加密技术来加密医疗机构收到的来自其他医疗机构的秘密分片，保证数据安全，最后通过解密服务器来生成同态加密相关参数并且对各个医疗机构上传的加密的秘密分片进行解密，确保聚合服务器无法解密的模型参数，解决恶意服务器可能窥探隐私数据的问题。本发明方法实现了面向医疗数据的多密钥环境下的安全聚合并且有效抵御了联邦学习聚合过程中的用户隐私泄露以及恶意服务器问题。