边缘计算下保护隐私的联邦学习用于医疗物联网

边缘智能计算广泛应用于医疗物联网（IoMT）等领域，具有高数据处理效率、强实时性能和低网络延迟等优势。然而，仍存在隐私泄露、计算能力有限以及调度和协调问题等诸多挑战。联邦学习可以大幅提高训练效率。然而，由于医疗数据的敏感性，患者数据传输到服务器的方式可能会带来严重的安全和隐私问题。因此，本文提出了一种边缘计算下的联邦学习隐私保护方案（PPFLEC）。首先，我们提出了一种基于共享秘密和权重掩码的轻量级隐私保护协议，该协议基于秘密共享的随机掩码方案。它比同态加密更准确和高效。它不仅可以保护梯度隐私而不损失模型准确性，还能够抵抗设备掉线和设备间的串通攻击。其次，我们设计了一种基于数字签名和哈希函数的算法，实现了消息的完整性和一致性，能够抵御重放攻击。最后，我们提出了一种周期性平均训练策略，与差分隐私进行比较，证明我们的方案在效率上比差分隐私快40%。同时，与联邦学习相比，我们在确保安全的条件下可以实现相同的效率。因此，我们的方案能够在智能医疗等不稳定的边缘计算环境中很好地运作。