基于动态噪声注入与分层加密的联邦学习协同框架

基于动态噪声注入与分层加密的联邦学习协同框架，包括终端设备层、边缘节点层以及云服务器层；所述的终端设备层包括内置传感器和加密模块；所述的边缘节点层用于连接终端设备层和云服务器层所述的云服务器层用于运行联邦学习模型。本发明的终端设备层(AES‑128+噪声注入)、边缘节点层(改进Paillier聚合)以及云服务器层(ECDH参数分发)的三层协同机制，结合基于T‑DKG协议的动态密钥管理，降低单节点计算压力(目标：边缘节点CPU占用<50％)；本发明根据数据方差δ实时调整噪声量，确保模型精度损失≤5％；本发明支持1000节点规模下实现加密延迟≤45ms、密钥更新延迟≤0.8秒以及节点退出时安全隔离率100％的技术效果，攻克边缘计算场景中隐私保护与计算效率的平衡难题。