张晓均，李兴鹏，唐伟，郝云溥，薛婧婷

（西南石油大学计算机科学学院网络空间安全研究中心，四川 成都 610500）

0 引言

人工智能［1］和物联网（IoT）技术的深度融合推动了联邦学习的快速发展，特别是在计算机视觉、医学预测、语音识别等领域［2-3］取得了突破性的成果。然而，部署联邦学习实现分布式梯度模型训练面临着巨大挑战，特别是来自于联邦学习（FL）数据收集带来的隐私问题［4］，用于训练的数据通常是敏感的，可能来自多个具有不同隐私要求的终端用户。

除此之外，联邦学习主要挑战是梯度模型聚合计算结果的完整性问题［5］，在某些非法利益的驱动下，恶意的边缘服务器可能会向用户返回不正确的结果，或者恶意伪造发送给终端用户的梯度模型聚合计算结果［6］。此外，参与联邦学习的设备存在异构性［7］，在设备间具有不同的计算和通信能力。在这种情况下，一些具有足够计算能力和通信资源的设备可以在规定时间内迅速完成本地训练和上传，而其他资源受限的设备则无法在规定时间内完成本轮更新，从而影响系统整体的训练性能，进而影响全局梯度模型的精度。

针对资源受限的设备梯度隐私、梯度完整性、设备低延迟、高效训练［8］的问题，本文提出一种云-边融合的可验证隐私保护跨域联邦学习框架。该框架设计3 层架构的跨域联邦学习系统模型。该系统模型基于经典联邦学习终端用户对边缘服务器的弱信任，提出可验证安全聚合算法，该算法利用单掩码技术盲化梯度数据并采用轻量级验证方法防止边缘服务器恶意篡改聚合梯度的模型参数，在线终端用户的训练梯度安全有效地被边缘服务器聚合，聚合结果可以被终端用户验证正确性。……