一种基于同态代理重加密的隐私保护联邦学习训练方法、系统、设备及介质

本发明提出了一种基于同态代理重加密的隐私保护联邦学习训练方法、系统、设备及介质，通过在预处理阶段，参与者可以提前生成大量掩码并加密掩码，这些加密后的掩码存储在边缘服务器上；在上传本地训练梯度时，参与者只需要将梯度和掩码执行简单的加法运算，从而实现最小的计算开销；边缘服务器首先选择若干的参与者进行本地聚合，通过代理重加密技术，移除掩码，就能够提供正确的梯度聚合结果。本发明提出的神经网络模型训练框架具有客户端选择和轻量化加密的特征，目的是在多个参与方联合建模过程中保护数据的隐私，同时兼备灵活参与者选择、轻量级梯度加密等特征。