计算机应用研究

作者：刘暄,刘亚,王新中,赵逢禹,刘先蓓,

单位：1.上海理工大学光电信息与计算机学院,上海200093；2.香港狮子山网络安全实验室,香港999077；3.上海出版印刷高等专科学校信息与智能工程系,上海200093；4.安徽财经大学统计与应用数学学院,安徽蚌埠233030；

关键词：联邦学习,工业物联网,高斯差分隐私,最小裁剪,

基金：国家自然科学基金资助项目(62002184)；安徽省高校自然科学重点项目(2024AH050011)；香港狮子山网络安全实验室研究课题(LRL24017)；；

随着工业物联网（IIoT）的快速发展，如何在保护数据隐私的前提下高效利用设备数据成为亟待解决的问题。联邦学习（FL）作为一种通过本地训练模型并共享模型参数的技术，已成为保障数据隐私的有效方法。然而，现有FL仍存在隐私泄露的风险。为此，提出了一种面向工业物联网的选择性差分隐私联邦学习（SDP-FL）框架。该框架通过将智能工厂的终端设备作为客户端参与联邦学习，在客户端侧通过最小裁剪和高斯噪声保护局部模型隐私；在服务器端，采用基于损失函数差值的筛选机制来设定模型参数更新阈值，仅聚合高质量的本地模型。实验结果表明，SDP-FL框架在MNIST和CIFAR-10数据集上的分类准确率分别为97.8%和79.2%，较传统联邦学习方法分别提高了1.6和0.6个百分点。该方法有效避免了无用梯度的干扰，同时也提升了模型聚合效用。

来源：2026年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第3期