一种基于联邦学习和差分隐私的数据隐私保护方法与系统

本发明公开了一种基于联邦学习和差分隐私的数据隐私保护方法与系统，涉及数据安全共享技术领域，包括：将联邦学习全局模型的参数发送给各个客户端，通过差分隐私对本地数据进行扰动，并在每个客户端中通过扰动的本地数据对全局模型进行训练，得到本地模型参数；根据客户端的模型参数更新获取信誉值，将其信誉值与阈值判断筛选出符合条件的客户端，将符合条件客户端上传的模型参数更新使用加权平均聚合算法进行聚合，并更新联邦学习全局模型；将更新后的全局模型发送至客户端节点，并对更新全局模型的过程进行遍历，直至获得收敛的全局模型，进行数据安全共享。本发明克服了难以在敏感数据隐私性与学习任务模型性能之间取得较好平衡的问题。