基于联邦学习的数据隐私保护方案

doi:10.3969/j.issn.1006-2475.2025.08.009

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (08): 63-69.doi: 10.3969/j.issn.1006-2475.2025.08.009

基于联邦学习的数据隐私保护方案

（临沂大学信息科学与工程学院，山东临沂 276000）

出版日期:2025-08-27 发布日期:2025-08-28
作者简介: 作者简介：程钰雯（2000 —），女，山东临沂人，硕士研究生，研究方向:隐私保护，E-mail: cywlyu@163.com；景义君（2000 —），女，山东济南人，硕士研究生，研究方向:数据安全，E-mail: 13864092331@163.com；时自成（1999—），男，山东枣庄人，硕士研究生，研究方向:物联网安全，E-mail: shi5108992@163.com；荆长强（1985—），男，山东临沂人，副教授，博士，研究方向:物联网安全，E-mail: jingchangqiang@lyu.edu.cn；郭锋（1979—），男，山东临沂人，副教授，博士，研究方向:工业物联网安全，E-mail: gflytu@163.com；武传坤（1964—），男，山东临沂人，教授，博士，研究方向:密码学，物联网安全，E-mail: chuankunwu@lyu.edu.cn。
基金资助:
基金项目：国家自然科学基金青年基金资助项目（61901206）

A Data Privacy Protection Scheme Based on Federated Learning

（School of Information Science and Engineering， Linyi University， Linyi 276000， China）

Online:2025-08-27 Published:2025-08-28

摘要/Abstract

摘要： 摘要：当前医疗数据领域面临着医疗数据孤岛问题，制约了数据在不同机构之间的流通和分享，不利于患者的跨机构诊疗。为了解决这一问题，本文提出一种基于联邦学习的数据隐私保护方案（Federated Learning with Schnorr Zero-knowledge Based Identity Authentication and Differential Privacy Protection, FL-SZIDP）。首先，建立一种基于联邦学习的数据共享框架。其次，为了防御敌手通过反向攻击窃取原始数据信息，对每个参与者上传的模型参数添加差分隐私噪声进行扰动；为了防止联邦学习中恶意参与方的加入，对参与方完成基于Schnorr零知识证明的身份验证，确保训练参与方的身份可信性。最后，通过MNIST数据集验证了本文算法的有效性。实验结果表明，FL-SZIDP方案在保护隐私的同时确保了准确性。

关键词: 关键词：联邦学习；隐私保护；差分隐私；数据安全
,

Abstract:
Abstract: The current healthcare data domain faces the issue of data silos， which restricts the flow and sharing of data among different institutions and hinders cross-institutional treatment for patients. To address this problem， this paper proposes a privacy protection scheme based on federated learning （Federated Learning with Schnorr Zero-knowledge Based Identity Authentication and Differential Privacy Protection， FL-SZIDP）. Firstly， a data-sharing framework based on federated learning is established. Secondly， to defend against adversaries attempting to steal original data through reverse attacks， differential privacy noise is added to the model parameters uploaded by each participant. To prevent malicious participants from joining the federated learning process， identity authentication based on Schnorr zero-knowledge proof is performed， ensuring the credibility of the participants’ identities. Finally， the effectiveness of the proposed algorithm is verified using the MNIST data set. The experimental results show that the scheme FL-SZIDP ensures accuracy while protecting privacy.

Key words: Key words: federal learning, privacy protection, differential privacy, data security

中图分类号:

中图分类号：TP391

程钰雯, 景义君, 时自成, 荆长强, 郭锋, 武传坤. 基于联邦学习的数据隐私保护方案[J]. 计算机与现代化, 2025, 0(08): 63-69.

CHENG Yuwen, JING Yijun, SHI Zicheng, JING Changqiang, GUO Feng, WU Chuankun. A Data Privacy Protection Scheme Based on Federated Learning[J]. Computer and Modernization, 2025, 0(08): 63-69.

参考文献

［1］ YIN L H， FENG J Y， XUN H， et al. A privacy-preserving federated learning for multiparty data sharing in social IoTs［J］. IEEE Transactions on Network Science and Engineering， 2021，8（3）:2706-2718.
［2］ N T R， GUPTA R. A survey on machine learning approaches and its techniques［C］// 2020 IEEE International Students’ Conference on Electrical， Electronics and Computer Science（SCEECS）. IEEE， 2020. DOI: 10.1109/SCEECS48394.
2020.190.
［3］ LI L， FAN Y X， TSE M， et al. A review of applications in federated learning［J］. Computers & Industrial Engineering， 2020，149. DOI: 10.1016/j.cie.2020.106854.
［4］ TRAMÈR F， ZHANG F， JUELS A， et al. Stealing machine learning models via prediction APIs［C］// Proceedings of the 25th USENIX on Security Symposium. USENIX Association， 2016:601- 618.
［5］ HOSSEINI S M， SIKAROUDI M， BABAEI M， et al. Cluster based secure multi-party computation in federated learning for histopathology images［C］// International Workshop on Distributed， Collaborative， and Federated Learning. Springer， 2022:110-118.
［6］金旋，姚远志，俞能海. 基于秘密共享的隐私保护联邦学习高效安全聚合方案（英文）［J］. 中国科学技术大学学报， 2024，54（1）:32-47.
［7］ WIBAWA F， CATAK F O， KUZLU M， et al. Homomorphic encryption and federated learning based privacy-preserving CNN training: Covid-19 detection use-case［C］// Proceedings of the 2022 European Interdisciplinary Cybersecurity Conference. ACM， 2022:85-90.
［8］ ZONG H X， WANG Q， LIU X F， et al. Communication reducing quantization for federated learning with local differential privacy mechanism［C］// 2021 IEEE/CIC International Conference on Communications in China （ICCC）. IEEE， 2021:75-80.
［9］ GUO L H， GAO W L， CAO Y， et al. Research on medical data security sharing scheme based on homomorphic encryption［J］. Mathematical Bioscience and Engineering， 2023，20（2）:2261-2279.
［10］ KALAPAAKING A P， STEPHANIE V， KHALIL I， et al. SMPC-based federated learning for 6G-enabled Internet of Medical Things［J］. IEEE Network， 2022，36（4）:182-189.
［11］ GEYER R C， KLEIN T， NABI M. Differentially private federated learning: A client level perspective［J］. arXiv preprint arXiv:1712.07557， 2017.
［12］王珊，荆桃，肖淦文，等. 联邦学习下高效的隐私保护安全聚合方案［J］. 计算机系统应用， 2023，32（11）:175-181.
［13］ LIU W， ZHANG Y H， LI Y F， et al. A fine-grained medical data sharing scheme based on federated learning［J］. Concurrency and Computation: Practice and Experience， 2023，35（20）. DOI: 10.1002/cpe.6847.
［14］杨帆，孙奕，陈性元，等. 基于同态代理重认证的可验证联邦聚合方法［J］. 网络与信息安全学报， 2024，10（3）:91-106.
［15］王腾，霍峥，黄亚鑫，等. 联邦学习中的隐私保护技术研究综述［J］. 计算机应用， 2023，43（2）:437-449.
［16］ KONEČNÝ J， MCMAHAN H B， RAMAGE D， et al. Federated optimization: Distributed machine learning for on-device intelligence［J］. arXiv preprint arXiv:1610.02527， 2016.
［17］熊世强，何道敬，王振东，等. 联邦学习及其安全与隐私保护研究综述［J］. 计算机工程， 2024，50（5）:1-15.
［18］ ZHANG X Z， MAVROMATIS A， VAFEAS A， et al. Federated feature selection for horizontal federated learning in IoT networks［J］. IEEE Internet of Things Journal， 2023，10（11）:10095-10112.
［19］ DWORK C， MCSHERRY F， NISSIM K， et al. Calibrating noise to sensitivity in private data analysis［C］// Proceedings of the 3rd Theory of Cryptography Conference （TCC 2006）. Springer， 2006:265-284.
［20］ WEI K， LI J， DING M， et al. Federated learning with differential privacy: Algorithms and performance analysis［J］. IEEE Transactions on Information Forensics and Security， 2020，15:3454-3469.
［21］ DWORK C. A firm foundation for private data analysis［J］. Communications of the ACM， 2011，54（1）:86-95.
［22］ ZHANG D Y， CHEN X J， SHI J Q. An efficient federated convolutional neural network scheme with differential privacy［C］// 3rd International Conference on Emerging Information Security and Applications. Springer， 2022:173-190.
［23］ JI S， ZHANG J L， ZHANG Y J， et al. LAFED: A lightweight authentication mechanism for blockchain-enabled federated learning system［J］. Future Generation Computer Systems， 2023，145:56-67.
［24］ ZHONG Y D， HOVANES J， GUIN U. On-demand device authentication using zero-knowledge proofs for smart systems［C］// Proceedings of the Great Lakes Symposium on VLSI 2023. ACM， 2023:569-574.
［25］张旭. 基于差分隐私机制的数据隐私保护的研究［D］. 南京:南京邮电大学， 2022.
［26］ MCMAHAN H B， MOORE E， RAMAGE D， et al. Communication-efficient learning of deep networks from decentralized data［C］// Proceedings of the 20th International Conference on Artificial Intelligence and Statistics. PMLR， 2017，54:1273-1282.
［27］ MAJOR W， BUCHANAN W J， AHMAD J. An authentication protocol based on chaos and zero knowledge proof［J］. Nonlinear Dynamics， 2020，99（4）:3065-3087.
［28］ LI T， SAHU A K， ZAHEER M， et al. Federated optimization in heterogeneous networks［J］. Proceedings of Machine Learning and Systems， 2020，2:429-450.
［29］ ASAD M， MOUSTAFA A， ITO T. FedOpt: Towards communication efficiency and privacy preservation in federated learning［J］. Applied Sciences， 2020，10（8）. DOI: 10.3390/
app10082864.

[1]	胡少文, 黄浪鑫, 余里辉, 施炜利, 姜南, 孙武, 罗澍寰. 改进遗传算法优化小波神经网络的纯牛奶识别[J]. 计算机与现代化, 2025, 0(08): 97-103.
[2]	陈宇航1, 杨勇1, 帕力旦·吐尔逊1, 樊小超1, 任鸽1, 刁宇峰2. 融合句法特征与语义特征的作文自动评分方法[J]. 计算机与现代化, 2024, 0(11): 64-69.

基于联邦学习的数据隐私保护方案

A Data Privacy Protection Scheme Based on Federated Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 2

编辑推荐

Metrics

本文评价