面向异构计算环境的隐私感知联邦学习方法及系统

本发明涉及一种面向异构计算环境的隐私感知联邦学习方法及系统。所述方法包括：实时监测各个客户端的运行状态，调整分组；基于差分隐私噪声对客户端小组中各个客户端模型更新进行差分隐私处理，并通过秘密共享算法将组内各个客户端的更新参数进行拆分；采用组内同步更新策略和组间半异步更新策略，提交加密更新；根据各个客户端小组提交的加密更新，触发全局更新阈值，并执行全局模型聚合，生成新的全局模型后分发至各个客户端继续训练。通过将客户端动态划分为若干能力相近的训练组，并触发重新分组机制，提高资源利用率；根据客户端计算能力差异分层施加差分隐私噪声，并通过秘密共享算法有效降低单点泄露风险，增强隐私保护能力。