基于同态加密的联邦学习梯度聚合系统设计与通信优化.docxVIP

PAGE2

基于同态加密的联邦学习梯度聚合系统设计与通信优化

摘要

联邦学习在保护数据隐私的同时实现协同建模，但明文梯度传输仍存在泄露风险，且通信开销制约了大规模部署。本文设计并实现了一个基于同态加密的联邦学习梯度聚合系统，在密文域完成梯度聚合，并引入通信优化机制以降低带宽消耗。系统采用客户端-服务器架构，客户端利用Paillier同态加密对本地梯度加密后上传，服务器在密文状态下执行加权平均聚合，完成全局模型更新，全程无需解密，有效抵抗半诚实服务器的推断攻击。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路。首先分析联邦学习中隐私保护与通信效率的双重痛点，明确系统功能边界与非功能指标；然后进行总体架构设计，划分用户管理、联邦引擎、同态加密、梯度聚合与通信优化五大模块，并设计密文域数据存储方案；详细设计中，重点阐述了密文域联邦平均算法、梯度量化压缩与稀疏化传输策略，并给出核心算法伪代码；实现部分展示了关键模块的代码逻辑与运行效果；测试环节通过功能测试、安全性测试与性能测试验证系统有效性。实验表明，系统在保证模型精度损失小于1%的前提下，通信量较基线降低约60%，密文聚合时间增加控制在可接受范围。本设计为隐私保护联邦学习提供了一种兼顾安全与效率的可行方案。

关键词：联邦学习；同态加密；梯度聚合；通信优化；隐私保护

第一章绪论

1.1研究背景

随着大数据与人