面向多源异构数据的算力网络联邦特征提取与跨域安全共享系统设计.docxVIP

PAGE2

面向多源异构数据的算力网络联邦特征提取与跨域安全共享系统设计

摘要

随着物联网与边缘计算的深度融合，多源异构数据呈指数级增长，跨域数据协同成为智能决策的关键瓶颈。现有集中式数据汇聚模式面临高通信开销、数据隐私泄露与算力资源失衡三重困境。本课题设计了一种端边云协同的算力网络联邦特征提取与跨域安全共享系统，以联邦学习为框架，融合算力网络动态调度能力，在边缘侧完成轻量级特征压缩，云端聚合全局模型，并借助安全沙箱技术实现数据可用不可见。

论文遵循需求分析、总体设计、详细设计、实现与测试的工程递进逻辑。首先分析多源异构环境下的核心需求，确立功能与非功能指标；随后提出四层架构，涵盖算力感知层、联邦特征层、安全沙箱层与跨域共享服务层；接着详细设计了端边云联邦特征压缩与融合算法，以及基于可信执行环境的安全沙箱机制；最后通过原型实现与多场景测试验证了系统在特征压缩比、模型精度、跨域共享时延等方面的优良性能。本设计的核心创新在于将算力网络调度引入联邦学习流水线，动态适配异构终端，并构建了兼顾安全与效率的跨域共享范式。

第一章绪论

1.1研究背景

在产业数字化转型浪潮下，海量数据由分布式终端产生，涵盖视频监控、工业传感器、车载雷达等多种模态。这类多源异构数据具有体量大、实时性强、传输链路质量波动大的特征。传统数据治理模式依赖将所有原始数据上传至中心云进行处理，不仅占用大量骨干网络带