针对异构资源的隐私增强自适应聚类联邦学习方法及系统

本发明涉及针对异构资源的隐私增强自适应聚类联邦学习方法及系统，属于联邦学习技术领域。包括：（1）基于上行时延的参与方聚类；应用不同的聚类标准对异构设备进行聚类；（2）算力相似簇内的本地训练；根据设备计算能力对用户进行聚类，优化训练效率；（3）基于谱嵌入的安全簇模型聚合；采用基于梯度向量相似性的软聚类，允许用户模型聚合成多个聚类模型，并使用多个聚类模型更新本地模型。本发明通过在聚类过程中对用户的梯度向量进行混洗来确保隐私和机密性。此外，方法采用同态加密和双线性聚合签名来验证用户身份并保护梯度共享。