周彦果

电科院 北京 100000

引言

随着物联网、云计算、边缘智能、5G/6G网络、人工智能等新兴信息技术在各领域应用的不断加深，给人们的生活带来极大的便利，但与此同时，相关数据和信息安全问题也受到越来越广泛的关注。联邦学习作为一种加密的分布式机器学习技术，为解决数据隐私与数据共享之间的矛盾开辟了一条新的路径，已成为学界和业界的研究热点之一。通过探索联邦学习与物联网、云计算、边缘智能、5G/6G网络等新兴技术融合应用，可解决相关新兴技术在实际应用中存在的问题，进一步推动相关技术的性能提升及应用落地。

1 联邦学习

联邦学习作为新兴的人工智能基础技术，在2016年由谷歌公司率先提出，其主要思想是允许终端设备利用本地数据进行训练，构建本地模型，并仅与参数服务器共享模型参数。参数服务器聚合多个本地模型的参数，通过多次迭代，得到高可信度和准确率联邦模型题[1]。联邦学习具有以下优点：

一是实现本地数据隔离，满足用户隐私保护和数据安全的需求；

二是通过终端设备协同优化模型参数，实现模型算法的高可信度和准确率；

三是能够实现终端设备在模型训练中的公平合作；

四是能够保证参与各方在保持独立性的情况下，进行信息与模型参数的加密交换，并同时获得模型的优化。

2 物联网

物联网设备的数量呈指数级增长，据研究机构IDC预测，到2025年全球范围内将有超过800亿台的终端设备，这也必将导致产生的数据量激增，据Cisco云指数预测，到2021年产生的数据将达到847 ZB。……