面向隐私保护的联邦学习模型优化算法研究

王鑫; 郭丽红; 臧乐天; 魏金奥

doi:10.13960/j.issn.1672-2558.2026.01.010

南京工程学院学报（自然科学版） ›› 2026, Vol. 24 ›› Issue (1) : 67 -74. DOI: 10.13960/j.issn.1672-2558.2026.01.010

面向隐私保护的联邦学习模型优化算法研究

王鑫, 郭丽红, 臧乐天, 魏金奥

作者信息 +

Author information +

文章历史 +

摘要

在数据隐私保护需求激增的背景下,传统集中式模型训练面临数据合规性与安全性的双重挑战。文章提出一种基于高级加密标准加密的联邦学习架构,采用客户端/服务器(C/S)模式,整合Socket通信与PyQt5可视化界面,构建高效、安全的分布式训练模型。该模型兼容横向与纵向联邦学习场景,依托Breast Cancer数据集完成模型的本地训练、参数聚合及验证,并通过端到端加密传输保障数据传输的安全。试验结果表明,该模型在训练效率、收敛速度及隐私保护强度等关键指标上表现优异,且具备良好的稳定性与可扩展性,能够为数据合规驱动的联合建模任务提供可靠的技术方案。