计算机应用

作者：平欢, 夏战国, 刘思诚, 刘奇翰, 李春磊

单位：中国矿业大学 计算机科学与技术学院，江苏 徐州 221116

关键词：联邦学习,分层架构,差分隐私,同态加密,隐私保护

基金：国家自然科学基金资助项目(62272461)

作为一种保护数据隐私的分布式机器学习框架，联邦学习面临着传统云-边-端三层结构难以满足日益严格的数据安全法规和指数级增长数据的挑战，同时边缘设备轻量化趋势导致计算能力受限。为解决上述问题，提出一种面向多级监管和异构资源环境的可选多层联邦学习（OHFL）方案。首先，采用树形多层结构实现边缘层数与每层服务器数量的灵活配置，从而适配不同应用场景下的监管层级和资源分布；其次，在保证通信效率的基础上，引入差分隐私机制，同时对部分神经网络层采用同态加密，并将加密任务下沉至最邻近的边缘服务器以分散计算压力。实验结果表明，OHFL方案在MNIST独立同分布（IID）数据集上达到了97.82%的分类准确率，且新增加密机制分别使用卷积神经网络（CNN）和ResNet18带来的时间损失仅为每轮6.24 s和6.80 s，说明OHFL方案显著提升了系统的计算与通信效率。可见，所提方案不仅在理论上提升了多层级联邦学习架构下的安全性与适应性，而且为实际应用中满足多级监管和高效安全计算需求提供了可行路径，特别适用于数据敏感且资源异构的物联网（IoT）与医疗等场景。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期