一种面向多源可信联邦学习的隐私增强聚合方法及系统

本发明涉及联邦学习与隐私计算技术领域，公开了一种面向多源可信联邦学习的隐私增强聚合方法及系统。其中，该方法包括：对每一原始梯度分别进行隐私保护处理得到对应客户端的上报梯度；对每一多簇扰动更新集合进行真伪更新配比调控得到对应客户端的兴趣簇匿名化上传数据；对高偏离度更新种子进行衍生扰动合成得到合成客户端更新集合；对合成客户端更新集合和每一客户端的兴趣簇匿名化上传数据进行鲁棒聚合得到全局模型更新；基于每一客户端对全局模型更新的解析得到对应客户端的多簇关联数据，并对每一多簇关联数据分别进行模型重建求解得到对应客户端的真实簇模型参数。本发明为多源可信联邦学习在智能电网等领域的应用提供了可靠的技术支撑。