计算机科学与探索

作者：李亚红, 王淳之, 杨小东, 牛淑芬

单位：1. 兰州交通大学 电子与信息工程学院，兰州 7300702. 电子科技大学 计算机科学与工程学院，成都 6100543. 西北师范大学 计算机科学与工程学院，兰州 730070

关键词：隐私保护,联邦学习,同态加密,匿名追踪,智慧医疗

基金：国家自然科学基金（62461032）；甘肃省科技计划（22JR5RA158，22JR5RA350）；甘肃省高校教师创新基金（2023A-041，2023-ZD-234）；兰州交通大学-天津大学联合创新基金（LH2024003）。

在智慧医疗系统中，需要不同医疗机构的数据进行跨机构共享，为了实现数据的隐私性与安全性，联邦学习被应用其中。然而，联邦学习在实际应用中仍然面临数据安全、动态用户管理和恶意节点防御等挑战。基于此，提出了一种基于隐私保护与匿名追踪的联邦学习方案。该方案利用同态加密与噪声掩码技术对本地模型参数信息进行加密，确保模型更新过程中模型参数的隐私性。利用代理重加密，由噪声服务器生成并安全地分发噪声密文，使得聚合服务器无法访问噪声明文，防止梯度逆推攻击，同时可以容忍医疗机构上传本地模型参数失败的情形，实现高效的掉线安全聚合。采用可追踪的伪匿名身份认证机制，实现对医疗机构的身份保护，并通过模型准确率变化来识别恶意节点，当某医疗机构多次被标记为恶意时，使用秘密值共享可追溯医疗数据的真实身份。实验模拟表明，与现有方案相比，所提方案可以有效抵抗梯度的反演攻击并保持模型精度，并且能够实现高效的掉线安全聚合。

来源：2025年第11期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第11期