一种分布式持续学习与智能样本驱动的安全知识融合方法

本发明涉及一种分布式持续学习与智能样本驱动的安全知识融合方法，属于机器学习技术领域。所述方法，其核心在于，边缘节点不仅执行本地模型，还对模型在本地数据上的性能进行评估，据此智能筛选出对全局模型优化最具价值的代表性数据样本。这些样本通过非对称加密（如ECIES）保证机密性，通过数字签名（如ECDSA）结合哈希函数（如SHA‑256）保证完整性和来源真实性后上传至云服务器。云服务器对接收到的样本进行验证、解密和聚合，用于训练和更新全局模型。更新后的全局模型再安全地分发回边缘节点。本发明通过在边缘端引入智能样本选择机制，并结合密码学工具，有效提升了分布式学习的效率、模型性能及数据传输与融合的安全性。