联邦学习与密码学：用于 IoT 数据隐私的安全框架

随着物联网（IoT）的不断扩展，用户数据隐私保护和 IoT 系统安全已变得愈发关键。本文提出了一个将联邦学习（FL）与先进密码学技术相结合的安全框架，以解决隐私问题，同时实现跨异构 IoT 设备的协作式机器学习。该框架允许在 IoT 设备上进行本地数据处理，确保敏感信息保持去中心化，且在模型训练期间绝不暴露于潜在泄露风险中。通过采用加法同态加密（AHE）和安全多方计算（SMPC）等技术，我们的方法实现了模型更新的安全聚合，同时保持了数据的机密性与完整性。此外，该框架有效降低了通信开销和计算需求，使其适用于资源受限的 IoT 环境。本研究不仅增强了隐私保护和数据安全性，还提高了智能城市、医疗保健和工业应用中数据分析的效率。未来的工作将研究该框架在真实场景中的可扩展性和适应性，为构建更安全、更注重隐私的 IoT 生态系统奠定基础。