基于差分隐私与多元特征处理的联邦学习方法、系统和设备

1.一种基于差分隐私与多元特征处理的联邦学习方法，其特征在于，包括：

2.根据权利要求1所述的基于差分隐私与多元特征处理的联邦学习方法，其特征在于，所述步骤1具体为服务器初始化全局模型ω0，设整数集合φ＝{-1,1}，以及签名值ρ＝sign(ω0)，sign()为签名函数，选取公开数据集用于训练，选取乘法循环群g，q是群g的生成元，选取s,，并将其下发到各客户端进行本地训练ωt-1为第t-1轮训练的模型，t为训练轮数，download()表示下发操作，为第i个客户端在第t轮训练的模型。

3.根据权利要求2所述的基于差分隐私与多元特征处理的联邦学习方法，其特征在于，所述步骤2具体包括：

4.根据权利要求3所述的基于差分隐私与多元特征处理的联邦学习方法，其特征在于，所述步骤3具体为：

5.根据权利要求4所述的基于差分隐私与多元特征处理的联邦学习方法，其特征在于，所述步骤4具体包括：

6.根据权利要求5所述的基于差分隐私与多元特征处理的联邦学习方法，其特征在于，所述步骤5具体为对任意的松弛项δ∈(0,1，定义噪声尺度参数其中f'为敏感度，ε为隐私预算，向模型添加噪声第i个客户端在第t-1轮训练的加噪后的模型，ct为第t轮的裁剪界限。

7.根据权利要求6所述的基于差分隐私与多元特征处理的联邦学习方法，其特征在于，所述步骤6具体为客户端选取随机数为模p的同余类集合，令u＝qv，并通过加噪后的模型和签名值ρ，生成哈希值h()为哈希函数，计算凭证z＝v+ρe，随后将模型以及凭证上传至服务器。

8.根据权利要求7所述的基于差分隐私与多元特征处理的联邦学习方法，其特征在于，所述步骤7具体为根据客户端上传的服务器利用s计算哈希判断是否qz＝qvqρe，若判断成功，保留客户端模型并将其用于全局模型更新，否则丢弃，即该局部模型不参与更新，随后服务器开启下一轮训练。

9.一种基于差分隐私与多元特征处理的联邦学习系统，其特征在于，包括：

10.一种计算设备，其特征在于，包括：一个或多个处理器、一个或多个存储器以及一个或多个程序，所述程序存储在存储器中并被配置为由处理器执行，所述程序被加载至处理器时实现根据权利要求1至8任一项所述的基于差分隐私与多元特征处理的联邦学习方法的步骤。