基于零知识证明的联邦学习方法和装置

本申请提供了一种基于零知识证明的联邦学习方法和装置，该方法包括：通过通讯地址从任务发布服务器获取训练任务，根据本地隐私数据更新待训练模型的模型参数，得到第一目标参数，根据第一目标参数与匹配训练服务器的更新模型参数通过任务发布服务器进行聚合，重复迭代直至聚合后的模型收敛；接收随机轮次集，筛选模型参数通过任务发布服务器进行一致性校验；同时，对本地隐私数据和初始模型参数进行筛选，通过任务发布服务器基于零知识证明验证数据溯源、参数迭代和模型训练过程的正确性，在验证均通过的情况下确定训练完成。该方法解决了现有技术中基于零知识证明的多服务器联邦学习为保证数据安全导致模型训练效率较低，更新缓慢的问题。